Calculo 4 PDF

ALGEBRA
LINEAL
Jose Lopez/ Jose Rodrguez
6 de septiembre de 2010
ii
Texto procesado en LATEX y 90 graficas en PsTricks.
iii
GARANTIA
Los autores de este texto garantizan a los estudiantes y a los profesores que todo el
material es intuitivo, entendible, de complejidad regulada y que saldran bien preparados. Nuestra garanta se debe a que hemos revestido todo el formalismo algebraco
de conceptos geometricos, intuitivos y depurados. Tambien sabemos que para el estudiante es muy difcil asimilar muchos conceptos nuevos al mismo tiempo y por ello
hemos sido cuidadosos en introducir conceptos nuevos poco a poco. Hemos a
nadido
muchos ejemplos y variados ejercicios de rutina y ademas talleres de contenidos a veces
desafiantes. Por todo esto, el estudiante puede confiar en que sale bien preparado si
trabaja el material concienzudamente.
Comenzamos con sistemas de ecuaciones de primer grado. Inmediatamente pasamos
al estudio de matrices y de las operaciones que se pueden hacer con ellas. Paralelamente
uno se pregunta sobre el significado de lo que se hace y la respuesta puede darse en
terminos geometricos con sus sofisticaciones: vectores, lneas, planos, paraleleppedos,
vol
umenes y determinantes, transformaciones lineales, cambio de coordenadas y diagonalizacion.
Jose Daro Lopez Garca.
Jose del Carmen Rodrguez Santamara
Universidad de los Andes
iv
INDICE GENERAL
1. ECUACIONES
1.1. Algoritmo solucionador . . . . . . . . . . .
1.2. Sobre las aplicaciones . . . . . . . . . . . .
1.3. Ecuaciones en forma matricial . . . . . . .
1.4. Sistemas de m ecuaciones con n incognitas
1.5. Ejercicios de repaso . . . . . . . . . . . . .
1.6. Resumen . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2. LINEAS, PLANOS, Rn Y EV=ESPACIOS VECTORIALES

2.1. Espacios cartesianos . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Paralelogramos . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. EV=Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . .
2.4. Espacios digitales . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5. La norma de un vector . . . . . . . . . . . . . . . . . . . . . . .
2.6. El producto interior . . . . . . . . . . . . . . . . . . . . . . . . .
2.7. Lneas en el plano . . . . . . . . . . . . . . . . . . . . . . . . . .
2.8. Ecuacion vectorial de la lnea . . . . . . . . . . . . . . . . . . .
2.9. Proyecciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.10. Traslaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.11. Sistemas 2 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.12. Planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.13. Lneas y planos en R3 . . . . . . . . . . . . . . . . . . . . . . . .
2.14. Sistemas 3 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.15. Las estaciones (opcional) . . . . . . . . . . . . . . . . . . . . . .
2.16. Ejercicios de repaso . . . . . . . . . . . . . . . . . . . . . . . . .
2.17. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3. EL DETERMINANTE
3.1. Idea fundamental . . .
3.2. Paraleleppedos = plps
3.3. Ejercicios de repaso . .
3.4. Resumen . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
9
11
14
21
29
30
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
31
31
34
39
44
46
51
58
63
68
72
74
76
82
91
98
101
103
.
.
.
.
105
105
106
117
118
INDICE GENERAL
2
4. DEPENDENCIA E INDEPENDENCIA
4.1. Combinaciones lineales . . . . . . . . . .
4.2. Subespacios . . . . . . . . . . . . . . . .
4.3. Bases . . . . . . . . . . . . . . . . . . . .
4.4. Planos y sub-EV . . . . . . . . . . . . .
4.5. Espacios de matrices . . . . . . . . . . .
4.6. Complemento ortogonal . . . . . . . . .
4.7. Ejercicios de repaso . . . . . . . . . . . .
4.8. Resumen . . . . . . . . . . . . . . . . . .
5. TL
5.1.
5.2.
5.3.
5.4.
5.5.
5.6.
5.7.
= TRANSFORMACIONES LINEALES
Definicion de TL . . . . . . . . . . . . . . .
La matriz de una TL . . . . . . . . . . . . .
Composicion de las TL . . . . . . . . . . . .
Multiplicacion de matrices . . . . . . . . . .
Ejercicios de repaso . . . . . . . . . . . . . .
Resumen . . . . . . . . . . . . . . . . . . . .
Gran taller de repaso . . . . . . . . . . . . .
6. DETERMINANTE DE UNA
6.1. TL y determinantes . . . . .
6.2. N
ucleo e imagen de una TL
6.3. Ejercicios de repaso . . . . .
6.4. Resumen . . . . . . . . . . .
7. LA
7.1.
7.2.
7.3.
7.4.
MATRIZ INVERSA
El calculo de la inversa
La descomposicion LU
Ejercicios de repaso . .
Resumen . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
TL
. . .
. . .
. . .
. . .
.
.
.
.
.
.
.
.
8. CAMBIO DE COORDENADAS
8.1. Bases arbitrarias . . . . . . . .
8.2. Rotaciones en R2 . . . . . . . .
8.3. N
umeros que rotan . . . . . . .
8.4. Bases ortonormales . . . . . . .
8.5. La matriz transpuesta . . . . .
8.6. Aplicaciones . . . . . . . . . . .
8.7. Ejercicios de repaso . . . . . . .
8.8. Resumen . . . . . . . . . . . . .
9. TL
9.1.
9.2.
9.3.
9.4.
9.5.
LINEAL
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
EN CUALQUIER PAR
Fundamento . . . . . . . .
Reflexiones en el plano . .
El papel de las bases . . .
Ejercicios de repaso . . . .
Resumen . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
119
119
126
128
133
137
138
139
141
.
.
.
.
.
.
.
143
143
148
150
153
158
159
160
.
.
.
.
169
169
178
185
186
.
.
.
.
187
188
197
204
205
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
207
207
213
215
218
223
227
233
235
DE BASES
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
237
237
240
241
247
249
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
tsname
10.LA MATRIZ DE LA COMPUESTA

10.1. Diagramas . . . . . . . . . . . . . . .
10.2. Cambio de coordenadas y TL . . . .
10.3. Rotaciones en 3D . . . . . . . . . . .
10.4. Trayectorias sobre el plano . . . . . .
10.5. Ejercicios de repaso . . . . . . . . . .
10.6. Resumen . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
251
251
253
262
265
266
266
11.DIAGONALIZACION
11.1. Matrices diagonales . .
11.2. Magnificaciones . . . . .
11.3. El eigen-problema . . . .
11.4. Diagramas conmutativos
11.5. Uso del determinante . .
11.6. Matrices simetricas . . .
11.7. Reconociendo las conicas
11.8. Ejercicios de repaso . . .
11.9. Resumen . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
267
268
270
272
274
275
281
283
287
287
12.APLICACIONES
12.1. Ajuste de patrones . . . . .
12.2. Cuadricas . . . . . . . . . .
12.3. Ejes principales . . . . . . .
12.4. Maximos y mnimos . . . .
12.5. Sistemas dinamicos lineales .
12.6. Ejercicios de repaso . . . . .
12.7. Resumen . . . . . . . . . . .
12.8. Gran taller de repaso . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
289
289
293
300
304
308
312
312
313
13.Respuestas
.
.
.
.
.
.
.
.
.
315
INDICE GENERAL
CAPITULO
1
ECUACIONES
La validez de las cosas que uno dice depende del contexto dentro del cual se
este hablando. Nosotros fijamos el contexto especificando el conjunto universal a partir
del cual se construye lo que se necesite. Nuestro conjunto universal esta formado por
los n
umeros reales, a menos que se especifique lo contrario.
Nuestro objetivo es aprender a resolver un tipo especial de sistemas de ecuaciones,
los llamados lineales y que definiremos despues. Por ahora, veamos algunos conceptos.
1. Definiciones. Una ecuaci
on es una igualdad en la cual hay una o varias
inc
ognitas o variables que se denotar
an por letras x, y, z, ... o letras con subndices como
x1 , x2 , ..., y que toman valores en el conjunto universal. Dado un conjunto universal,
una identidad es una ecuaci
on que siempre es verdadera, es decir, es valida para todos
los elementos del conjunto universal. Por ejemplo:
3x + 1 = 2, donde x toma valores en el conjunto de los reales, es una ecuaci
on.
3x = 2x + x es una identidad sobre cualquier conjunto que admita suma.
5 = 4 + 1 es una identidad pues tenemos tanto a la derecha como a la izquierda del
igual dos smbolos que representan el mismo objeto.
Una soluci
on de una ecuaci
on con una variable es un n
umero que al ser reemplazado en la ecuaci
on en el lugar de la variable convierte la ecuaci
on en una identidad. Una
solucion de 3x + 1 = 4 es x = 1 porque al reemplazar 1 en lugar de x en la ecuaci
on,
esta se convierte en 3(1) + 1 = 4 que es la identidad 4 = 4. El conjunto solucion de una
identidad es todo el conjunto universal. Para verlo, tomemos la identidad 5 = 4 + 1. Si
reescribimos dicha identidad como 5 + x = 4 + 1 + x, nos damos cuenta de que es una
ecuaci
on que es valida para cualquier n
umero real, por lo que su conjunto solucion es
el conjunto de los n
umeros reales.
Un sistema de ecuaciones es un conjunto de ecuaciones cuyas inc
ognitas toman
valores en el mismo conjunto de n
umeros, por ejemplo y haciendo referencia a los
n
umeros reales, el siguiente es un sistema de ecuaciones:

3x + 4y = 7
3x + 4y = 7
o simplemente
4x + 3y = 7
4x + 3y = 7
5
CAPITULO 1. ECUACIONES
Tambien podemos escribir todas las ecuaciones de un sistema en un mismo rengl

on
separando estas por medio de una coma.
Una soluci
on de un sistema de ecuaciones es una asignaci
on de n
umeros a las
variables tal que al reemplazar las variables por sus valores asignados de forma simultanea en todas las ecuaciones, cada una de estas se convierte en una identidad.
Una solucion del sistema anterior es x = 1, y = 1 pues estos valores convierten al
sistema de ecuaciones en el sistema de identidades

3+4 = 7
4+3 = 7
Es posible que un sistema no tenga soluciones, o que exista una u

nica solucion o
que existan muchsimas. El conjunto soluci
on de una ecuaci
on o de un sistema de
ecuaciones es la reuni
on de todas las soluciones posibles. Resolver un sistema de
ecuaciones consiste en hallar el conjunto solucion y describirlo de manera simplificada
y entendible. Diremos, por ejemplo, que el conjunto soluci
on de un sistema es una
lnea recta o un plano. Y en general, un sistema de ecuaciones se denomina lineal
cuando est
a asociado a rectas, planos o a sus generalizaciones. Por dicha razon, un
sistema lineal puede reconocerse porque contiene u
nicamente sumas de variables que
han sido multiplicadas por n
umeros reales, pero no aparecen, digamos, multiplicaciones
de variables o variables con exponentes diferentes de uno.
2.
Ejemplo
El sistema

3x2 + 4y = 7
3xy = 7
no es lineal porque la primera ecuacion contiene una variable al cuadrado y ademas

la segunda tiene una multiplicacion de dos variables. Todos los ejemplos que siguen son
de sistemas lineales.
Para demostrar que un conjunto S es el conjunto solucion hay que demostrar que
cada elemento de S es solucion y que todas las soluciones estan en S. En general, eso es
difcil y es la razon de ser de este curso. Nuestro punto de partida es notar lo siguiente:
la solucion de un sistema de ecuaciones se da en terminos de igualdades que tambien
definen otro sistema de ecuaciones. Por lo tanto, resolver un sistema de ecuaciones no
es mas que transformarlo mediante procedimientos adecuados de tal manera que a cada
paso sea mas clara la solucion. Se termina cuando ya no haya forma de a
nadir claridad,
lo cual corresponde a despejar los valores de las incognitas. Con esto podemos entender
la razon de las siguientes definiciones:
3. Definici
on. Decimos que dos sistemas de ecuaciones son equivalentes si
tienen la misma solucion.
4.
Ejemplo
Decir que el sistema
7

3x + 4y = 7
4x + 3y = 7
y el sistema

x=1
y=1
son equivalentes es lo mismo que decir que el primer sistema tiene una solucion y
que esta es u
nica. Esto es cierto debido a que, como lo veremos en el captulo 2, cada
ecuacion del primer sistema corresponde a una lnea recta que no es paralela a la de
la otra ecuacion. Como dos lneas que no son paralelas se cortan en un u
nico punto,
dicho punto es la solucion y es u
nica.
En general, el sistema que indique la solucion tiene que ser por pura logica equivalente al sistema original.
5. Definici
on. Decimos que un procedimiento para transformar un sistema de
ecuaciones en otro es conservativo si transforma un sistema de ecuaciones cualquiera
en otro equivalente.
Todo procedimiento que aspire a ser conservativo debe cumplir el requisito, ley o
regla del balance: puesto que una ecuacion representa una balanza bien equilibrada;
cuando se haga una operacion en un lado de una ecuacion debe hacerse lo mismo en el
otro lado de la misma ecuacion. Por ejemplo, si multiplicamos un lado de la ecuacion
3x = 1 por 1/3, el otro lado tambien debe multiplicarse por 1/3 y nos queda x = 1/3.
Sin embargo, hay que tener cuidado:
6. Contraejemplos Hay procedimientos que hacen lo mismo a cada lado de la
ecuacion pero no son conservativos porque cambian el conjunto solucion:
a) Un procedimiento no conservativo se ilustra partiendo de la identidad
2+3
1
=1=
5
1
Esta identidad tiene como conjunto solucion al conjunto de los n
umeros reales.
Sumamos ahora 1 en los numeradores a cada lado de la ecuacion y obtenemos
2+3+1
1+1
=
5
1
2
6
= =2
5
1
lo cual es una contradiccion, cuyo conjunto solucion es el vaco. Es por ello que
si hacemos la misma operacion sobre cada lado de una ecuacion, cada lado debe
tomarse de forma indivisible, como un todo. Un sistema que contenga una contradiccion se denomina inconsistente.
b) Elevar al cuadrado cada lado de una ecuaci

on no es un procedimiento conservativo:
Tomamos la ecuaci
on x = 1, que tiene como u
nica solucion x = 1. Elevamos
2
al cuadrado en ambos lados: x = 1 que se resuelve con x = 1 o con x = 1.
El conjunto solucion no se conservo. Decimos que nuestro procedimiento creo una
soluci
on espuria o falsa o no aut
entica. En algunos casos los procedimientos
no conservativos que crean soluciones falsas son mas faciles, pero si se usan, hay
que descartar las soluciones espurias, como aqu que deberamos descartar x = 1.
c) Multiplicar por cero a ambos lados de una ecuaci
on no es un procedimiento conservativo. Veamos por que: tomemos la ecuaci
on x = 3. Su u
nica solucion es 3.
Multipliquemos por cero en todo lado. Nos queda 0 = 0, cuyo conjunto solucion es
todo R pues es una identidad equivalente a x = x. Concluimos que multiplicar por
cero no conserva soluciones.
7. Fabricando procedimientos conservativos.
Por que al multiplicar a lado y lado de una ecuacion por cero se crea una infinidad
de soluciones espurias mientras que al multiplicar por 1/3 no? Hay varias maneras de
responder y una de ellas es decir que multiplicar por cero es una operacion no invertible,
cuyo significado lo podemos entender si pensamos sobre un ejemplo:
Sea 3x = 1. Multiplicando por 1/3 en ambos lados llegamos a x = 1/3. Si partimos
de x = 1/3 podemos restaurar la ecuacion original multiplicando por 3. Por lo tanto,
multiplicar por 1/3 es reversible. Pero si partimos de x = 3 y multiplicamos por cero
en ambos lados, llegamos a 0 = 0. Ahora bien, ninguna operacion algebraica puede
transformar la ecuacion 0 = 0 en x = 3, por lo que la operacion multiplicar por cero no
es reversible, no tiene inversa. Vemos que los procedimientos conservativos son aquellos
que son reversibles, que tienen inverso.
8. Ejemplo Los siguientes dos procedimientos son conservativos 1) Sumar un n
umero
a ambos lados de una ecuaci
on, pues el procedimiento inverso es restar el mismo n
umero
a ambos lados. 2) Multiplicar a lado y lado de una ecuaci
on por un n
umero distinto de
cero, pues su inverso es dividir por el mismo n
umero a ambos lados.
9. Ejercicio Demuestre que el encadenamiento de dos procedimientos conservativos
da un procedimiento conservativo.
10.
Ejemplo
Resolvamos la ecuaci
on ax + b = c, donde suponemos que a 6= 0.
Para despejar la x, quitamos la b sumando a ambos lados b y despues quitamos

la a multiplicando en todos lados por 1/a y obtenemos x = (c b)/a. Como usamos
u
nicamente procedimientos conservativos, esta es una solucion y es la u
nica.
Es facil liberarse de la preocupacion de la conservacion del conjunto solucion si
podemos demostrar que la solucion al sistema original es u
nica. En ese caso, podemos
utilizar cualquier metodo para hallar una solucion y si al verificarla nos queda una identidad, entonces podemos estar seguros de haber encontrado todo lo que era necesario
encontrar. Esa es una razon por la cual nos interesamos en la unicidad de la solucion.
1.1. ALGORITMO SOLUCIONADOR
11. Advertencias. Hay sistemas que tienen varias soluciones y hay otros que no
tienen solucion.
Por ejemplo, el sistema

x + 4y + 3z = 7
x + 3y + 4z = 7
tiene varias soluciones. Una es x = 0, y = 1, z = 1. Otra solucion es x = 7, y = 2,

z = 2. Pero el sistema siguiente no tiene solucion pues es una contradiccion:

x=1
x=2
Estas dos advertencias permiten ver que cuando se hable de unicidad de una solucion, se debe demostrar. La estructura tpica de una demostracion de unicidad puede
verse en el teorema siguiente:
12. Teorema. La ecuaci
on ax + b = c tiene una solucion y esa solucion es u
nica
para a, b, c n
umeros reales y a 6= 0.
Demostraci
on. Ya sabemos que hay al menos una solucion: s = (c b)/a, lo cual puede
verificarse por sustitucion. Supongamos ahora que existen dos soluciones s y z. Esto
significa que as + b = c y que az + b = c. Restar lado a lado la segunda ecuacion de la
primera es un procedimiento conservativo pues es invertible y da as+b(az +b) = cc
que se puede simplificar en a(s z) = 0. Ahora bien, si a 6= 0, podemos multiplicar
por su inverso multiplicativo a ambos lados, lo cual es un procedimiento invertible y
por lo tanto conservativo, y nos queda s z = 0. Sumando z en ambos lados, lo cual
es conservativo por ser invertible, queda: z = s. Es decir, si hay dos soluciones y estas
son iguales: la solucion es u
nica.
Enseguida vamos a aprender a utilizar un procedimiento que produce soluciones de
sistemas de ecuaciones, lo cual es algo que uno puede verificar, digamos, por sustitucion.
Pero por ahora no podremos probar que nuestro procedimiento nos permite hallar todas
las soluciones.
1.1.
Algoritmo solucionador
La palabra algoritmo es de origen arabe y honra al matematico arabe de principios

del siglo IX Muhammad ibn Musa al-Jwarizmi (Gran Enciclopedia Larousse, 1983, vol
I) y se emplea hoy en da con un sentido muy preciso y tecnico que en definitiva sirve
para designar un conjunto de instrucciones ejecutables por un computador.
Un metodo que puede usarse para solucionar un sistema de dos ecuaciones lineales
con dos incognitas es despejar una variable de ambas ecuaciones, igualar sacando una
10
ecuacion en una sola variable, despejarla y despues reemplazar para sacar el valor de
la otra variable.
El metodo anterior puede generalizarse a sistemas con tres incognitas y con mucho
trabajo uno podra tratar de usar el mismo metodo para sistemas con cuatro variables.
Los problemas realistas involucran muchas variables. Eso querra decir que con el metodo de igualar variables despejadas estos problemas seran irresolubles en la practica.
Para salir del embrollo, debemos desarrollar un metodo que permita solucionar con
igual seguridad tanto sistemas con 2 incognitas como con un millon. Por supuesto que
no estamos pensando en resolver nosotros tales sistemas, sino en saber como programar
un computador para que el lo haga. Vamos a aprender a combinar ecuaciones de un
sistema lineal multiplicando por n
umeros no nulos y sumando o restando para resolver
sistemas de ecuaciones. Pero antes, vale la pena que nos preguntemos: tiene eso alg
un
peligro?
Por supuesto que podemos sumar o restar ecuaciones lado a lado y el resultado es una ecuacion. Igualmente, dos ecuaciones pueden multiplicarse separadamente
por n
umeros distintos no nulos y despues sumarse o restarse y el resultado sera una
ecuacion. Pero, el procedimiento sera conservativo? Veamos que eso no es siempre
cierto. El ejemplo es tomar x = 1, cuya solucion es 1, y restarla de s misma. El resultado es 0 = 0, cuya solucion es todo R. Eso implica que eso de sumar o restar ecuaciones
no garantiza de por s que uno no cambie el conjunto solucion. As que mas nos vale
que procedamos con cautela. Todo lo que hay que hacer es asegurarse de no perder
informacion: podemos restar una ecuacion de s misma, pero no podemos olvidar la
ecuacion que origino todo. As, por ejemplo, es correcto decir que el sistema de una
sola ecuacion x = 1 es equivalente al sistema conformado por las dos ecuaciones x = 1
y 0 = 0, cuya solucion es x = 1. La idea entonces es combinar las ecuaciones de tal
manera que no se pierda informacion pero sin aumentar el n
umero de ecuaciones. El
siguiente ejemplo ilustra el procedimiento.
13.
Ejemplo
Resolvamos el sistema

3x + 4y = 7
4x + 3y = 7
Estas dos ecuaciones pueden multiplicarse separadamente por n

umeros distintos y
despues sumarse o restarse con el objetivo de aniquilar una variable. Concretamente,
multiplicamos ambos lados de la primera ecuacion por 4 y separadamente multiplicamos
ambos lados de la segunda ecuacion por 3, para que los coeficientes de la x en ambas
ecuaciones queden iguales. La intencion que tenemos es restar las dos ecuaciones para
aniquilar la x. Procedamos:

4(3x + 4y) = 4(7)
3(4x + 3y) = 3(7)
Ejecutando:

12x + 16y = 28
12x + 9y = 21
1.2. SOBRE LAS APLICACIONES
11
Ahora las restamos. Es decir, producimos un nuevo sistema que sea equivalente al
original, pero que nos permita despejar la y. Para ello, restamos la segunda ecuacion
de la primera y el resultado lo ponemos en lugar de la segunda ecuacion:

12x + 16y = 28
16y 9y = 28 21
que se simplifica en

12x + 16y = 28
7y = 7
Multiplicamos la primera ecuacion por 1/4 y la segunda por 1/7 en ambos lados y
nos produce

3x + 4y = 7
y=1
Reemplazamos la solucion y = 1 en la primera ecuacion, 3x + 4y = 7 y nos queda
3x+4 = 7 que inmediatamente da x = 1. Ahora bien, podemos verificar por sustitucion
directa que x = 1 y y = 1 en realidad forman una solucion al sistema. Pero, nos
faltaran soluciones? No, no nos faltan soluciones pues hemos utilizado procedimientos
conservativos, invertibles, tanto para manipular cada ecuacion como para tratar con
todo el sistema, no perdiendo informacion. En este momento no tenemos la intencion
de ser muy rigurosos en justificar el aspecto conservativo de nuestros procedimientos,
pues en el captulo de la inversa podremos estudiar el asunto con comodidad y eficacia.
14. Ejercicio Resolver el sistema

1.2.
3x + 6y = 9
4x + 7y = 11
Sobre las aplicaciones
Los sistemas de ecuaciones lineales salen naturalmente de la vida real. Traducir dichos problemas en ecuaciones no siempre es una tarea sencilla. Sin embargo, en algunos
casos esto puede lograrse aplicando la siguiente regla y si la regla no es suficiente, en
todos los casos esta regla evitara errores crasos.
12
15. Regla de oro:
Al plantear las ecuaciones de un

problema debe tenerse en cuenta
que las operaciones indicadas tengan
sentido y que todos los terminos de
cada ecuacion se refieran al mismo
tipo de elemento y que esten en las
mismas unidades.
Por ejemplo, sumar mg de vitamina A con mg de vitamina A tiene mucho sentido.
Pero sumar concentracion de sal al 20 % con concentracion de sal al 30 % no tiene
sentido porque mezclar dos vasos de salmuera con las concentraciones indicadas no
produce una solucion con concentracion al 50 %. De forma semejante, sumar onzas con
gramos no esta permitido, debe hacerse una reduccion a las mismas unidades.
16. Ejemplo En un resguardo hay dos tipos de pajaros, P1 y P2. Ellos se alimentan
por su cuenta de mosquitos y semillitas pero para asegurar su perfecta nutrici
on se les
administran dos tipos de comida C1 y C2. Cada pajaro del tipo P1 consume por semana
3 onzas del alimento C1 y 4 onzas del alimento C2. Cada pajaro del tipo P2 consume
6 onzas de alimento C1 y 7 onzas del alimento C2. Si se suministran 9 onzas del
alimento C1 y 11 onzas del alimento C2, cu
antos pajaros podr
an coexistir?, c
omo
se modifica la situacion si se aumenta el alimento 100 veces?
Solucion: notemos que se usan las mismas unidades, onzas. En cuanto a que esta permitido sumar y que no, tenemos lo siguiente: si uno se prepara para abordar un avion
en el cual le cobran a uno por kilos de equipaje, tendra mucho sentido sumar cantidad
del producto uno con cantidad del producto dos. Pero no en el contexto del problema,
sera lo mismo que sumar diamantes y flores. En cambio s se puede sumar cantidad
del producto consumido por los pajaros de tipo uno con la cantidad consumida del
mismo producto por los pajaros de tipo dos. Sea x la cantidad de pajaros P1 y y la del
tipo P2 que pueden coexistir. Por tanto, x pajaros del tipo P1 consumiran 3x onzas
del alimento C1, en tanto que y pajaros P2 consumiran 6y onzas del alimento C1.
Entre ambos tipos de pajaros deben agotar el alimento C1. Por tanto, 3x + 6y = 9.
Observese la coherencia en las unidades y del buen sentido de la suma: todos los terminos de esta ecuacion estan en onzas y se refieren al alimento C1. Estara mal formulada
la ecuacion si todo estuviese en onzas pero en un termino hubiese alimento C1 y en
otro C2. De igual modo, con el alimento C2, y guardando la coherencia de unidades,
tenemos: 4x + 7y = 11.
Lo dicho queda mas claro si lo presentamos en la siguiente tabla:
Consumo de alimento
x Pajaros tipo 1 y Pajaros tipo 2 Totales
Alimento C1
3x
6y
9
Alimento C2
4x
7y
11
1.2. SOBRE LAS APLICACIONES
13
Las dos ecuaciones siguientes definen el sistema:

3x + 6y = 9
4x + 7y = 11
con solucion x = 1 y y = 1. El alimento alcanza para exactamente un pajaro de
cada tipo. Si se multiplica el alimento de cada tipo por 100, la cantidad de pajaros
de cada tipo se multiplicara por 100. Por lo tanto, en el segundo caso, se tendran 100
pajaros del tipo P1 y otros 100 del tipo P2. En este u
ltimo caso quedara el sistema
3x + 6y = 900
4x + 7y = 1100.
Por supuesto que uno podra alimentar 50 pajaros de cada tipo y el sobrante echarlo a la basura. Habra un desperdicio. Pero, caramba!, que pasara si en lugar de
alimentar 100 y 100 desearamos aprovechar mejor las posibilidades y decidieramos
cultivar 300 pajaros del tipo P1 y nada del tipo P2? de esa forma podramos sacarle
el maximo provecho al alimento C1, pero tendramos una deficiencia del alimento C2
de 100 unidades, pues cada pajaro del tipo P1 consume 4 unidades del alimento C2.
Para no correr el riesgo de que se mueran por causa de desnutricion, podemos decidir
alimentar 275 pajaros del tipo P1 y nada del tipo 2. Eso causara un despilfarro del
alimento C1, pues sobraran 900 3 275 = 75.
Nos aventuramos a asegurar que nuestra solucion (x = 100 y y = 100) utiliza
los recursos minimizando la basura, el desperdicio. Esto sucede en el resguardo. Pero,
que sucedera en la naturaleza?, se comportara la naturaleza como si quisiera minimizar el desperdicio? En realidad, no se acostumbra hoy en da a vociferar tales preguntas tan llenas de antropomorfismos. Pero podemos decir lo siguiente: si un ser viviente
utiliza mejor los desperdicios que otro, el primero dejara mas hijos y llenara la tierra,
de tal forma que es difcil imaginar que haya desperdicios no utilizados. Pero supongamos que no hubiese en el mundo mas que pajaros del tipo P1 y pajaros del tipo P2:
Que pasara? Observando que los pajaros del tipo P2 tienen mas o menos el doble del
tama
no de los pajaros del tipo P1, pues suponemos que el apetito es proporcional al
tama
no, y que entre todos tienen casi las mismas necesidades, uno podra decir que
francamente no importa si se tienen 2 pajaros del tipo P1 o uno del tipo P2. Esa neutralidad permitira que el sistema evolucionara caoticamente: las proporciones variaran
con el tiempo de un lado al otro como un barco a la deriva.
Este tipo de temas relacionados con la evolucion se consideraban antiguamente
como dominio exclusivo de la biologa pero sucede que, de un lado, la biologa se ha
vuelto hoy en da materia de seguridad planetaria y por lo tanto de interes universal,
y del otro, que se ha inventado una metodologa que simula la evolucion biologica para
resolver todo tipo de problemas de matematicas, ciencia, tecnologa y arte. El magnfico
sitio web http:www.evoljava.com esta a su disposicion con material pedagogico para
aprender desde cero a programar la evolucion usando el lenguaje Java. Esto es complejo
e importante no solo por su aspecto tecnico o cientfico sino ademas porque a muchas
personas les interesa el problema del origen de la vida y de las especies en su relacion
con la evolucion. Y entre menos dogmatico se desee ser, es mucho mas difcil. Este
tema podra llegar a ser una profesion de por vida.
14
17. Ejercicio Hallar al menos una solucion de cada uno de los siguientes sistemas:
a)
2x 5y = 3
7x 4y = 3
b)
2x 8y = 4
4x 5y = 11
c)
3x 2y = 5
2x + 3y = 12
18. Ejercicio Deseamos producir dos tipos de jabones, uno industrial y el otro para
manos. Ambos contienen desengrasante y suavizante pero varan en sus proporciones.
El tipo industrial necesita 120 gramos de desengrasante y 30 gramos de suavizante
mientras que el de manos requiere 40 gramos de desengrasante y 30 de suavizante. Si
se tiene en la bodega 160 kilos de desengrasante y 60 de suavizante, cu
antos jabones
de cada uno se logra hacer?
1.3.
Ecuaciones en forma matricial
El metodo que hemos aplicado en la seccion anterior para resolver un sistema de

ecuaciones no se preocupa por distinguir cual es el sistema original y cual es el modificado. Pareciera que ignorar el problema de si un procedimiento es conservativo o no,
fuese la mejor manera de acabar con todos los problemas. Vamos a remediar eso de
una vez por todas y lo haremos a muy bajo costo y de tal forma que el procedimiento
pueda automatizarse. Para ello, aprendamos a escribir un sistema en forma matricial.
Ahora bien, quedara claro que ya estamos trabajando con sistemas muy especficos. Los
sistemas mas generales que admiten la representacion matricial que vamos a introducir
se llaman lineales.
Usemos la siguiente convencion: al escribir un sistema de ecuaciones se adjudica un
lugar fijo a cada variable y todas las variables se escriben explcitamente. Por ejemplo,
el sistema:
4y + 3x = 7
4x + 3y = 7
se reordena en:
3x + 4y = 7
4x + 3y = 7
Por otra parte el sistema
3x = 7
4x + 3y = 7
se explcita exhaustivamente en
3x + 0y = 7
4x + 3y = 7
1.3. ECUACIONES EN FORMA MATRICIAL
15
19. Matrices. Si convenimos en que las x van siempre en el primer lugar, y las y
siempre van en el segundo lugar, y si cada variable va siempre en su lugar, entonces
no hay necesidad de escribirlas. Simplemente se sobreentienden. Con esa convencion
el sistema

3x + 4y = 7
4x + 3y = 7
se reescribe en forma de arreglo de n
umeros
!
.
3 4 .. 7
.
4 3 .. 7
A estos arreglos se les llama as: todo el conjunto se llama matriz aumentada,
la parte izquierda que tiene dos columnas se denomina matriz y la parte derecha con
una u
nica columna vector independiente. La matriz corresponde a los n
umeros que
acompa
nan a las incognitas, y el vector independiente es el que queda al lado derecho
del sistema de ecuaciones y que no tienen variables.
Denominamos entrada a un lugar especfico de la matriz, por ejemplo, la entrada
(2, 1) representa el coeficiente que en la segunda ecuacion acompa
na a la x o primera
variable y que, en este caso, vale 4.
Solucionemos este sistema pero usando la nueva reescritura matricial. Las reglas
para encontrar soluciones a un sistema en forma matricial son: Primera, como
dos ecuaciones pueden intercambiarse de lugar, entonces dos renglones en su expresion
matricial tambien. Segunda, una fila o renglon de una matriz puede multiplicarse, en
todos lados, en todas las entradas, por cualquier n
umero diferente de cero. Tercera, dos
filas o renglones pueden sumarse o restarse columna por columna (es decir, las x con
las x, las y con las y, etc.) Las dos u
ltimas reglas en la practica se utilizan al tiempo,
como en la regla siguiente.
20. Regla aniquiladora. Dos filas o renglones de una matriz pueden multiplicarse
por separado en toda entrada por n
umeros distintos y despues restarse o sumarse con
el objetivo de aniquilar una variable, es decir, con el fin de convertir el coeficiente
respectivo en cero.
Apliquemos la regla aniquiladora para empezar a solucionar el sistema dado en
su nueva reescritura matricial: en la segunda fila o renglon escribimos el resultado de
multiplicar la primera ecuacion por 4 menos la segunda fila por 3:
!
..
3
4
.
7
.
4R1 3R2
4(3) 3(4) 4(4) 3(3) .. 4(7) 3(7)
Observese que las operaciones se indican, por fuera de la matriz, exactamente en

el mismo renglon donde se ejecutan. Escribir el historial ayuda a corregir errores, los
cuales suceden frecuentemente. Ejecutando las operaciones obtenemos:
!
.
3 4 .. 7
.
0 7 .. 7
16
La segunda ecuacion dice 7y = 7. Por supuesto que debemos dividir por 7 para
despejar y; esto correspone a:
(1/7)R2
!
.
3 4 .. 7
.
0 1 .. 1
Hemos despejado y = 1. Para despejar la x procedemos, primero a igualar los

coeficientes de las y en ambas ecuaciones. Para eso, multiplicamos la segunda ecuacion
por 4 y, a continuacion, restamos las dos ecuaciones. El resultado de la resta se pone en
la primera ecuacion y no en la segunda, pues de lo contrario perderamos la informacion
ya despejada que dice y = 1.
R1 4R2
!
.
3 0 4 4 .. 7 4
..
0
1
.
1
Simplificamos:
!
..
3 0 . 3
.
0 1 .. 1
Despejamos la x:
(1/3)R1
!
.
1 0 .. 1
.
0 1 .. 1
lo cual dice que ya pudimos despejar x = 1, y = 1. Esta matriz que queda en el lado
izquierdo de este arreglo matricial, y que es cuadrada y tiene unos en la diagonal pero
ceros en el resto del mundo se llama la matriz identidad y se nota I aunque a veces se
le agrega un subndice para indicar su tama
no.
Precauci
on: todos nuestros procedimientos han sido conservativos, invertibles, pero
no por azar sino porque hemos sido cuidadosos conservando toda la informacion. No
hubiese sido as si tomaramos, por ejemplo, el triple del primer renglon y lo hubiesemos
puesto en el segundo. En general, cada nueva matriz debe tener:
21. Conclusi
on y definici
on. Resolver un sistema de ecuaciones escrito en forma matricial equivale a combinar apropiadamente los renglones de la matriz, multiplicandolos por n
umeros diferentes de cero y sumando o restando para recuperar, si es
posible, la matriz identidad en el lado izquierdo del arreglo matricial. Esta forma de
combinar renglones, multiplicando por n
umeros, sumando y restando, se llama combinacion lineal.
En efecto, que es solucionar un sistema, por ejemplo, con 3 incognitas, x, y, z? Es
encontrar los valores de dichas incognitas que satisfagan el sistema, digamos x = 2,
y = 1, z = 4. Si escribimos esta solucion en forma matricial tenemos:
17
..
1 0 0 .
2
0 1 0 ... 1
..
0 0 1 .
4
Podemos ver que la matriz identidad esta en el lado izquierdo de este arreglo. Este
metodo de solucionar ecuaciones se denomina eliminaci
on Gauss-Jordan. Pero
para no difamar tacitamente a esos dos grandes hombres, mas nos vale darnos cuenta
de que hemos utilizado la siguiente restriccion: en el renglon i de cada nueva matriz,
siempre ponemos una combinacion lineal que involucre el renglon i de la vieja matriz.
Por ejemplo, en la fila uno de la nueva matriz ponemos 3 veces la primera mas 4 veces la
quinta. Pero no ponemos en la fila uno de la nueva matriz tres veces la tercera menos 4
veces la sexta. Hacemos esto para asegurar que nuestros algoritmos sean conservativos
e invertibles.
22.
Ejemplo
Tomemos un sistema representado por

!
.
2 3 .. 4
.
5 6 .. 7
Consideremos el procedimiento de poner en el segundo rengl

on 5R1 2R2 . Este procedimiento es invertible y su inverso consiste en poner en el segundo rengl
on
(5/2)R1 (1/2)R2 . Verifiquemoslo:
Si aplicamos sobre el arreglo dado el primer procedimiento, obtenemos:
!
..
.
4
.
5(2) 2(5) 5(3) 2(6) .. 5(4) 2(7)
2
que es igual a
!
.
2 3 .. 4
.
0 3 .. 6
Si a este arreglo le aplicamos el segundo procedimiento, obtenemos
!
..
2
3
.
4
..
(5/2)(2) 0 (5/2)(3) (1/2)(3) . (5/2)(4) (1/2)(6)
que es exactamente el arreglo original. Es decir, podemos recuperar la informacion
inicial y por ende toda la informacion se ha conservado.
23. Advertencia y ejercicios. Se puede llegar a la matriz identidad cuando existe

la solucion y esta es u
nica. Pero no siempre se puede llegar a la matriz identidad,
porque no hay solucion o tal vez porque hay muchas. Por ejemplo:
18
a) Consideremos el sistema de ecuaciones compuesto por una sola ecuacion

3x + 4y = 5
como este sistema tiene infinidad de soluciones de la forma x = (5 4y)/3, donde y
puede tomar cualquier n
umero real, no hay manera de decir x vale tanto y y vale tanto,
es decir, no hay forma de llegar a la matriz identidad. Por lo tanto, escriba el sistema
correspondiente en forma matricial usando una matriz 2 2 y argumente por que no
se puede llegar a la identidad.
b) Consideremos ahora el sistema de ecuaciones
x=5
y=2
x=4
Vemos que este sistema es inconsistente. Que pasa cuando lo estudiamos matricialmente? A este sistema se le puede representar por una matriz 3 2, con 3 renglones
y dos columnas, la cual puede transformarse en una matriz que contiene tanto la identidad 2 2 como una contradiccion (ejercicio).
En resumen, se llega a la identidad cuando la solucion existe y es u
nica, de lo
contrario o no se llega o se llega pero con una contradiccion. Por ahora aceptamos esto
como un resultado emprico, pero conservamos el desafo de probarlo.
24. Ejercicio Resolver todos los incisos del ejercicio 17 por medio de matrices.
25.
Ejemplo: Resolvamos el sistema siguiente
.
1 0 1 ..
0
0 1 1 ...
0
..
2 0
1 . 1
Primero ponemos ceros por fuera de la diagonal en la columna uno. Solo queda
recuperar un cero en la tercera fila:
..
1 0 1 .
0
.
0 1 1 ..
0
..
R3 + 2R1
0 0 1 . 1
Ahora ponemos ceros por fuera de la diagonal de la columna 2: ya esta hecho.

Multipliquemos la tercera fila por menos uno:
19
..
1 0 1 . 0
0 1 1 ... 0
..
R3
0 0
1 . 1
Pongamos ceros por fuera de la diagonal de la columna 3
..
1
0
0
.
1
R1 + R3
..
R2 + R3
.
1
0
1
0
..
0 0 1 . 1
Hemos recuperado la matriz identidad, la solucion es x = y = z = 1. De antemano

se planeo esta respuesta para que la aritmetica quedara sencilla de entender, pero un
sistema puede planearse para que tenga cualquier respuesta.
26. Ejemplo Hemos utilizado en el ejercicio anterior una manera est
andar para
resolver un sistema en forma matricial, recuperando la matriz identidad de manera muy
ordenada, como para programar un computador. Cuando la identidad puede recuperarse,
este metodo siempre funciona. Con todo, un problema especfico bien puede resolverse
creativamente con un poco de desorden. Resolvamos el sistema:
.
2 2 1 .. 5
..
0
3
2
.
0
..
2
1
1 .
3
Procedemos:
..
2
1 3 . 5
.
0
0
3 2 ..
..
R3 + R1
0 1
0 . 2
R1 + R2
La tercera ecuacion dice que y = 2. Ya no volvemos a tocar esa ecuacion y despejamos x y z de las otras ecuaciones:
..
2
1 3 . 5
R2 + 3R3 0
0 2 .. 6
..
0 1
0 . 2
..
2 1 3 . 5
..
0 0
1
.
3
R2/2
..
R3
2
0 1
0 .
20
R1 R2 + 3R3
(1/2)R1
que nos dice que x = 1, z = 3, y = 2.
..
2 0 0 . 5 2 + 9 = 2
0 0 1 ..
3
..
0 1 0 .
2
..
1 0 0 . 1
.
0 0 1 .. 3
..
0 1 0 . 2
27. Ejercicio Primero verifique que todos los siguientes sistemas de ecuaciones escritos en forma matricial tienen la misma solucion x = y = z = 1, lo cual ha sido
dise
nado as para que la aritmetica resulte sencilla. Despues de verificar la solucion,
resolver todos esos sistemas por Gauss-Jordan.
.
1 0 1 .. 2
..
a)
.
2
0
1
1
..
1 1 0 . 2
.
2 0 1 .. 3
..
b)
0
3
1
.
4
..
1 4 0 . 5
..
3 0 2 . 5
c) 0 4 2 ... 6
..
2 5 0 . 7
..
3 0 2 . 5
d) 2 4 7 ... 13
..
2 0 5 . 7
.
3 2 2 .. 3
..
e)
.
13
2
4
7
..
2 4 5 . 3
28. Ejercicio Descubra el secreto para lograr que todos los sistemas contengan la
misma solucion (1, 1, 1).

1.4. SISTEMAS DE M ECUACIONES CON N INCOGNITAS
21
29. Ejercicio Dise

ne un metodo para inventar un sistema de ecuaciones que con
seguridad tenga una solucion prefijada, por ejemplo, x = 2, y = 5, z = 3. P
ongalo en
pr
actica y resuelvalo para verificar la honestidad del metodo.
30. Ejercicio 1 En ingeniera qumica, qumica, bioqumica y biologa molecular es
com
un encontrar el problema de fabricar una solucion en cantidad y prescripcion de
concentraciones dadas teniendo otras soluciones ya preparadas en cantidades y prescripciones determinadas. Para resolver el problema lo u
nico que hay que tener en cuenta
es que la cantidad de cada componente se conserva individualmente. Por lo tanto, por
cada componente aparece una ecuaci
on que expresa su conservaci
on: en un lado de la
ecuaci
on est
a la contabilidad del componente antes de producir la mezcla y en el otro la
contabilidad del componente despues de la mezcla. Un caso concreto podra ser: tenemos
60 ml de una mezcla M1 que tiene 40 % del componente A y 60 % del componente B.
Adem
as, tenemos 80 ml de la mezcla M2 que contiene 70 % del componente A y 30 %
del componente B. Diga que cantidad de la mezcla M1 y que de M2 deben combinarse
para fabricar, si se puede,
a) 100 ml de una tercera solucion que tenga 10 % del componente A y 90 % del
componente B.
b) 100 ml de una tercera solucion que tenga 50 % del componente A y 50 % del
componente B.
c) 70 ml de una tercera solucion que tenga 50 % del componente A y 50 % del
componente B.
d) 100 ml de una tercera solucion que tenga 55 % del componente A y 45 % del
componente B.
e) 70 ml de una tercera solucion que tenga 80 % del componente A y 20 % del
componente B.
Ayudas: 1) Tenga en cuenta el proceder natural en el laboratorio, primero se hacen
las cuentas para saber las fracciones de cada mezcla y despues se mira en los frascos
sobre el estante para ver si hay suficiente material. 2) Recuerde guardar en todos los
terminos el mismo tipo, las mismas unidades y que las operaciones tengan sentido.
3) Las concentraciones no se pueden sumar. Sin embargo, a veces se puede decidir de
antemano que ciertas concentraciones son imposibles de obtener a partir de mezclas
dadas.
31. Ejercicio Inventar problemas semejantes al anterior pero con 3, 4 o m
as componentes.
1.4.
Sistemas de m ecuaciones con n inc

ognitas
Raramente resolveremos en este texto un sistema con mas de tres incognitas, pero
es importante tener en cuenta que en las aplicaciones se pueden encontrar sistemas con
muchas incognitas, digamos 10, 20 o 50. Un ejemplo muy claro que promete sistemas
1
Inventado propuesto por Jorge Palacio
22
con millones de ecuaciones es el siguiente: teniendo en cuenta que una ecuacion puede
interpretarse como una ley de conservacion, consideremos una red electrica que alimenta
una region, o un pas o una interconeccion electrica para todo un continente. Para cada
nodo, la corriente que entra es igual a la corriente que sale. Es decir, por cada nodo
hay una ecuacion. El problema consiste en hacer que en cada tomacorriente de cada
casa o fabrica haya suficiente corriente para alimentar un motor o un televisor.
Por eso, vale la pena preocuparse por desarrollar metodos que sean al mismo tiempo eficientes e informativos. Y tambien es necesario pensar si no estaremos causando
errores de aproximacion que se encadenan unos con otros y que a la larga producen
errores no despreciables. Este u
ltimo problema se estudia en los cursos de analisis
numerico. Nosotros ya hemos visto una variante del algoritmo de Gauss-Jordan, con
el cual se puede resolver cualquier sistema, pero como ese metodo es de uso corriente
para programar computadores, es importante ver una formulacion muy precisa. Por
eso, esta seccion esta dedicada a su formalizacion.
32. Definiciones. Sea M una matriz aumentada que codifica un sistema de
ecuaciones de tal forma que cada ecuaci
on del sistema corresponde a un rengl
on de la
matriz. Las siguientes son operaciones elementales entre renglones de M :
1) Intercambiar dos renglones o filas cualesquiera.
2) Multiplicar un rengl
on cualquiera por un escalar no nulo.
3) Reemplazar un rengl
on cualquiera por la suma del mismo rengl
on con otro
rengl
on.
En la pr
actica, combinamos las reglas 2 y 3 en una sola: reemplazar un rengl
on
cualquiera por la suma de un m
ultiplo escalar no nulo del mismo rengl
on con otro
m
ultiplo escalar de otro rengl
on.
33. Ejercicio Demuestre que toda operaci
on elemental es invertible y que por lo
tanto produce un procedimiento conservativo.
Decir que las operaciones elementales no alteran las soluciones y que las operaciones
elementales son suficientes para resolver sistemas lineales es lo mismo que decir lo
siguiente:
34. Teorema. Dos sistemas son equivalentes si y s
olo si la matriz aumentada que
representa a un sistema se puede obtener de la matriz aumentada que representa el
otro sistema mediante operaciones elementales por renglones.
35.
Ejemplo
Los siguientes dos sistemas son equivalentes:
Primer sistema

xy = 1
2x + y = 2
x=1
y=0
Segundo sistema

23
En efecto, la matriz aumentada del primer sistema puede transformarse con operaciones elementales en la matriz aumentada del segundo sistema:
1
2
!
.
1 .. 1
.
1 .. 2
!
.
1 1 .. 1
.
0
3 .. 0
R2 2R1
1
0
R2/3
R1 + R2
!
.
1 .. 1
.
1 .. 0
!
.
1 0 .. 1
.
0 1 .. 0
Lo que deseamos es, por supuesto, encadenar operaciones elementales para llegar
a una solucion del sistema. Si la solucion es u
nica, llegaremos a la identidad. Pero,
que pasa cuando no hay solucion o si no existe solucion? La respuesta es que no
llegamos a la identidad, pero a donde llegamos? Hay varios estilos de terminar los
problemas, pero nosotros fijaremos la atencion en un metodo sencillo y eficaz, el cual
esta basado en las matrices escalonadas que son aquellas cuyos ceros forman una escalera por debajo de la diagonal y que debe llegar, por lo menos, hasta inmediatamente
abajo de la diagonal.
36. Definici
on. Una matriz, aumentada o no, M , se dice que est
a en forma
escalonada si:
1) Los renglones compuestos u
nicamente por ceros est
an en la parte inferior de la
matriz.
2) El n
umero de ceros antes del primer elemento diferente de cero de un rengl
on es
mayor que el del rengl
on inmediatamente superior.
37. Ejemplo La siguiente matriz no es escalonada porque se incumple la condici
on
2) pues el n
umero de ceros antes del primer elemento diferente de cero del rengl
on tres
es igual al del rengl
on dos.
..
2 0 0 . 1
0 1 1 ... 3
..
0 1 1 . 2
Al decir que la anterior matriz no es escalonada, lo que estamos mencionado es

que se puede combinar el segundo y tercer renglon, con operaciones elementales para
que nos quede la matriz escalonada siguiente, la cual nos dice inmediatamente que el
sistema no tiene solucion, pues en el tercer renglon nos queda la contradiccion 0 = 1:
24
.
2 0 0 .. 1
0 1 1 ... 3
..
R2 R1
0 0 0 . 1
En general, una matriz escalonada nos dice si hay o no hay solucion, y si la solucion
es u
nica o no. Podemos sacar mas informacion con un poco de trabajo adicional.
38. Definici
on. Una matriz, aumentada o no, M, se dice que est
a en forma
escalonada reducida si
1) Esta en forma escalonada.
2) El primer elemento diferente de cero en un rengl
on es el 1.
3) En la columna correspondiente al primer elemento no nulo de un rengl
on hay
solo un elemento diferente de cero, a saber, el mismo.
39. Ejemplo De las siguientes tres matrices, la primera no es escalonada reducida pues no es escalonada, la segunda tampoco es escalonada reducida pues el primer
elemento diferente de cero en el segundo rengl
on no es 1, pero la tercera matriz s es
escalonada reducida:
.
..
1 0 0 .. 1
1 0 8 . 1
0 1 5 ... 3 0 2 0 ... 3
.
..
0 0 1 .. 2
0 1 2 . 2
..
1 0 8 . 1
0 1 5 ... 3
..
0 0 0 . 0
Observemos que la u
ltima matriz nos dice que tenemos un sistema con 2 ecuaciones
y 3 incognitas. Esto implica que nos queda una incognita libre a la cual se le puede dar
cualquier valor para que nos quede un sistema de 2 incognitas con 2 ecuaciones con
solucion u
nica (pues nos queda la identidad 2 2). Por lo tanto, la tercera matriz nos
dice que el sistema asociado tiene infinitas soluciones con un grado de libertad, o sea
con una y solamente una incognita libre, que puede ser la z. Concretamente, podemos
leer las soluciones despejando x y y en terminos de z:
x = 8z + 1
y = 5z + 3.
Ahora ya podemos formalizar el algoritmo de Gauss-Jordan tal como se usa en la
vida real:
40. Algoritmo de Gauss-Jordan para resolver un sistema lineal de ecuaciones con n inc
ognitas y m ecuaciones:
Sea el sistema

25
a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x1 + a22 x2 + ... + a2n xn = b2
.
.
.
. .
.
.
.
. .
.
.
.
. .
am1 x1 + am2 x2 + ... + amn xn = bm
Observese que no es necesario que el sistema tenga el mismo n

umero de ecuaciones
y de incognitas. Puede ser que haya mas ecuaciones que incognitas o puede ser que
haya menos. Eso no importa, pues el algoritmo resuelve todos los casos. Tenemos 5
pasos, validos tanto para calculos a mano como para programar un computador:
1) Escribir la correspondiente matriz aumentada asociada al sistema:
..
a
a12 ... a1n . b1
11
.
a
21 a22 ... a2n .. b2
.
. .
. .
.
.
. .
. .
.
.
.
. .
.
..
am1 am2 ... amn . bm
2) Escalonar por renglones la matriz aumentada.

3) Decidir la existencia y unicidad de la solucion: basandose en la matriz escalonada,
decidir si la solucion es u
nica (cuando se llega a la matriz cuadrada I), si no hay solucion
(si se llega a una contradiccion, como 1 = 2) o si hay infinitas soluciones (si hay por lo
menos un renglon de solo ceros y no hay contradiccion).
4) Si no hay solucion, terminar el algoritmo. Si hay solucion, describirla llevando
la matriz a la forma reducida escalonada. Es decir, si la solucion es u
nica, hay que
hallarla. Pero si hay infinitas soluciones, se especifica cuantos grados de libertad hay,
es decir, a cuantas incognitas se les puede dar valores arbitrarios.
5) Escribir la solucion al sistema.
41.
Ejemplo
Resolvamos por Gauss-Jordan el sistema
Solucion paso a paso:

a) Matriz asociada
2x + y + 2z = 1
x 2y z = 2
3x 6y 3z = 3
..
2
1
2 . 1
1 2 1 ... 2
..
3 6 3 . 3
26
b) Escalonamos. En nuestro proceso usamos el smbolo R1 R2 que significa que

intercambiamos el renglon dos con el uno, lo cual ni quita ni pone:
..
R1 R2 1 2 1 . 2
.
2
1
2 .. 1
..
3 6 3 . 3
.
1 2 1 ..
2
..
0
5
4
.
3
R2 2R1
..
R3 3R1
0
0
0 . 4
3) Decidimos la existencia y unicidad de la solucion: como hay una contradiccion

en el u
ltimo renglon que dice que 0 = 4, concluimos que el sistema es inconsistente,
por tanto la solucion es el conjunto vaco.
42.
Ejemplo
x 2y + z = 0
2x + 3y z = 1
3x 2y + z = 2.
Solucion paso a paso:

1) Escribimos la matriz aumentada asociada
.
1 .. 0
..
2
3
1
.
1
..
3 2
1 . 2
2) Escalonamos
1 2
..
1 2
1 . 0
..
0 1
1 . 1
R2 + 2R1
..
R3 3R1
0
4 2 . 2
.
1 2 1 .. 0
0 1 1 ... 1
..
R3 + 4R2
0
0 2 . 6
..
R3/2 1 2 1 . 0
0 1 1 ... 1
..
0
0 1 . 3

27
3) Decidimos la existencia y unicidad: puesto que el u

ltimo renglon empieza por
uno, la solucion es u
nica. O tambien se puede decir que al reducir se puede llegar a la
matriz identidad 3 3, por lo que la solucion es u
nica.
4) Como existe la solucion y es u
nica, la hallamos, para lo cual reducimos la matriz
escalonada:
..
R1 R3 1 2 0 . 3
..
R2 R3
0 1 0 . 2
.
3
0
0 1 ..
..
.
1
1
0
0
R1 2R2
..
R2
0
1
0
.
2
..
0 0 1 . 3
5) Escribamos la solucion: la solucion es u

nica y es x = 1, y = 2, z = 3.
43.
Ejemplo
2x y + z = 1
4x + 2y z = 2
4x + 2y 2z = 2
Solucion:
1) Matriz aumentada
2) Escalonamos la matriz
.
1 ..
1
.
2 1 ..
2
..
2 2 . 2
2 1
..
2 1 1 . 1
..
0
0 1 . 4
R2 + 2R1
..
R3 + 2R1
0
0 0 . 0
3) Decidimos la existencia y unicidad: el tercer renglon, de solo ceros, nos indica

que el sistema admite infinitas soluciones.
4) Reducimos
..
R1 R2 2 1 0 . 3
.
0
0 1 ..
4
..
0
0
0 0 .
28
..
1
1/2
0
.
3/2
R1/2
..
0
0
1
.
4
..
0
0
0 .
0
5) Escribimos la solucion. El sistema correspondiente es:

x (1/2)y = 3/2
z=4
o bien,
x = (1/2)y 3/2
z=4
de lo cual queda claro que y es una variable libre a la cual se le puede dar cualquier
valor. Ademas, y es la u
nica variable libre, tenemos un grado de libertad.
Notemos que el n
umero de variables es igual al n
umero de columnas de la matriz no
aumentada, en este caso, 3. Por otro lado, la matriz reducida quedo con dos renglones,
es decir, dos condiciones independientes para el sistema. Por tanto, debe haber una
variable libre, tal y como se encontro.
La solucion general puede escribirse de varias maneras. La primera es:
S = {(x, y, z)/x = 3/2 + (1/2)y, z = 4, para x, y, z R}
La segunda es
S = {(3/2 + (1/2)y, y, 4), para y R}
La tercera es
3/2
1/2
3/2 + (1/2)y
0
y = y 1 +
S=
4
0
4
donde y R. De aqu podemos obtener soluciones particulares dando valores a la

variable y, por ejemplo, si y = 0, se obtiene la solucion (3/2, 0, 4).
44. Observaci
on
Si el u
ltimo rengl
on de la matriz aumentada escalonada de un sistema cuadrado
es de la forma (0..,0, a : b), entonces el sistema tendra solucion u
nica si a 6= 0; el
sistema no tendra solucion si a = 0 y b 6= 0, y el sistema tendra infinitas soluciones si
a = b = 0.
45. Ejercicio Adecue la observacion anterior al caso de matrices no cuadradas.
46. Ejercicio Resuelva por Gauss-Jordan de cinco pasos los siguientes sistemas:
x+y+z = 2
xy+z = 1
a)
x y + z = 1
1.5. EJERCICIOS DE REPASO
x+y+z
xy+z
b)
2x + 2z
x+y+z
xy+z
c)
2x + 2z
29
=2
=1
=3
=2
=1
=1
47. Ejercicio Para cada una de las siguientes opciones, invente un sistema 3 3 y
verifique su prediccion usando el algoritmo de Gauss-Jordan de cinco pasos:
a) Su solucion sea u
nica.
b) Tenga infinitas soluciones con un grado de libertad.
c) Tenga infinitas soluciones con dos grados de libertad.
d) No tenga solucion.
1.5.
Ejercicios de repaso
1. Escriba la solucion general del sistema lineal
x 3y + z = 1
2x + y z = 1
2. Un cuadrado magico de tama

no n es una matriz n n cuyos elementos consisten
en todos los enteros entre 1 y n2 , de tal forma que las sumas de los elementos
n(n2 +1)
. Por ejemplo, un
de cada columna, renglon o diagonales son iguales
2
a
8 1 6
cuadrado magico de tama
no 3 es la matriz A = 3 5 7 . Muestre que no
4 9 2
existen cuadrados magicos de tama
no 2.
3. Encontrar los valores de a, b y c tales que la curva y = ax2 + bx + c, pase por los
puntos (3, 0), (2, 3) y (1, 1).
4. El algebra lineal tiene dos componentes, el algebraico y el geometrico. Comenzando desde el proximo captulo, combinaremos los dos aspectos para hacer realidad
la siguiente idea: un sistema lineal de ecuaciones no es mas que una generalizacion
de una ecuacion en n
umeros reales de la forma ax = b. Solo que en lugar de a
ira una matriz A y en vez de x ira
una n-tupleta
de incognitas, que si se trata de

x
~
, y que se denota genericamente como X
sistemas de dos por dos, puede ser
y
y se lee vector X. Similarmente, en vez de b ira un vector o columna de n
umeros,
~ En una palabra, un sistema lineal de ecuaciones que se pueda escribir como
B.
~ = B.
~
una matriz aumentada tambien se puede reescribir de la forma AX
a) Use el sentido com
un para reescribir el primer problema del presente taller
~
~ Identifique claramente que es A, X,
~ B.
~
de la forma AX = B.
b) Encuentre el(los) valor(es) del parametro k 6= 0, para el(los) cual(es), el
~ = B,
~ tiene soluciones no triviales, es decir, diferentes del vector
sistema AX
30

1 3
. Este procolumna con ceros en todas las entradas, donde A =
3 1
~ no
blema tiene la lectura geometrica siguiente: hallar todos los vectores X
~ lo que resulta
nulos tales que al multiplicar o aplicar la matriz A sobre X,
~
es kX que es un alargamiento de X.
1 2 3
~ = B,
~ donde
c) Si A = 0 4 3 , exhiba la solucion general del sistema AX
0 0 1
~
B es cualquier vector columna de tres componentes.

1.6.
Resumen
Los sistemas de ecuaciones lineales tienen una amplia gama de aplicaciones pero
la complejidad de los problemas resultantes demanda metodos poderosos y conceptos
claros. Hemos elaborado la propuesta de reducir el estudio de los sistemas de ecuaciones
lineales al de los problemas matriciales. De esa forma, solucionar un sistema equivale a
reducir, seg
un reglas claras y sencillas, consignadas en el algoritmo de Gauss-Jordan,
una matriz aumentada cualquiera a una matriz escalonada reducida. Para sistemas
lineales tales que su matriz reducida tenga n columnas o variables y r renglones no
nulos o condiciones independientes para las variables, se cumple que:
Si la matriz terminal es la identidad, la solucion es u
nica. Si hay una contradiccion
aparente, no hay solucion. Si no hay contradicciones y el n
umero de variables o columnas
de la matriz no aumentada es mayor que el n
umero de renglones no nulos, n > r,
hay infinitas soluciones. En este u
ltimo caso, el n
umero de variables libres es igual al
n
umero de columnas o variables menos el n
umero de condiciones o renglones no nulos
y se denomina grados de libertad de la solucion que es igual a n r. Hemos podido
entender por que el algoritmo de Gauss-Jordan es conservativo, pues no crea ni destruye
soluciones. Eso se debe a que todo algoritmo de Gauss-Jordan es una composicion de
operaciones elementales, cada una de las cuales es reversible, lo cual garantiza que no
se crea ni se pierda informacion.
CAPITULO
LINEAS, PLANOS, RN Y EV=ESPACIOS VECTORIALES
En este captulo introduciremos un pilar basico del algebra lineal, los espacios vectoriales. Para mostrar que no hay nada misterioso en esas estructuras, partiremos
de ideas geometricas muy sencillas y gradualmente iremos abstrayendo las nociones
matematicas necesarias.
La geometra estudia las relaciones espaciales. Por naturaleza, la geometra es una
ciencia aplicada pues nace y se realiza en nuestra relacion con el espacio fsico ligado a la
tierra. Sin embargo, la geometra es redundante, uno puede hacer un curso de geometra
sin hacer un solo dibujo, simplemente refiriendose a relaciones entre n
umeros. Con
todo, en este curso la geometra es basica, pues hay una correspondencia perfecta entre
algunos problemas geometricos y sistemas de ecuaciones lineales. Por otra parte, puesto
que todos nosotros tenemos cientos de millares de horas de experiencia en manejo
espacial, todos nosotros tenemos un enorme conocimiento que podemos utilizar para
dos cosas: una es usar la geometra para dilucidar problemas de algebra lineal y la otra
es usar el algebra lineal para resolver problemas de geometra.
Un primer objetivo sera poder interpretar una ecuacion lineal con dos incognitas
como una recta en el plano. Por tanto, resolver un sistema de dos ecuaciones con dos
incognitas equivaldra a encontrar todos los puntos comunes a dos rectas: puede ser uno
solo, cuando las rectas no son paralelas, o puede no haber solucion cuando las rectas
son distintas pero paralelas, o puede haber infinitas soluciones cuando las dos ecuaciones representan una misma recta. Observemos que gracias a nuestra interpretacion
de ecuaciones por rectas, ya nos liberamos, al menos en este caso, de la preocupacion de
si nuestro algoritmo es conservativo o no. Y lo que es mas, iremos reuniendo evidencia
a favor de la tesis de que el algoritmo de Gauss-Jordan es conservativo.
2.1.
Espacios cartesianos
El tipo de geometra que vamos a considerar fue inventado por Descartes y consiste
en representar los n
umeros sobre el espacio cartesiano que es un espacio con un sistema
de direcciones para llegar a cualquier punto.
El espacio unidimensional recto o recta real lo notamos R y tiene su origen en el
31
32
CAPITULO 2. LINEAS, PLANOS, RN Y EV=ESPACIOS VECTORIALES
punto 0 y todos los n

umeros conceptualizan una distancia y una direccion. Los n
umeros
positivos se ponen al lado derecho del origen, los negativos al lado izquierdo.
El plano cartesiano es el espacio bidimensional notado como R2 .
Y
Y
(4,1)
(4,1)
Figura 2.0. El plano cartesiano. Una dupleta representa tanto un punto como un
vector, el cual tiene direccion, sentido y magnitud.
El plano cartesiano tiene dos ejes mutuamente perpendiculares, el eje horizontal X

que puede considerarse como la lnea de los reales R insertados en el plano, y el eje
vertical Y . Esos ejes determinan la representacion de cada elemento de R2 como (x, y),
donde x es la componente en X y y es la componente en Y . La componente x se dibuja
horizontalmente: positiva hacia la derecha del origen, negativa hacia la izquierda. La
componente y se dibuja verticalmente: positiva hacia arriba del origen, negativa hacia
abajo. A (x, y) tambien se le llama dupleta ordenada, pues las dupletas (2, 1) y (1, 2)
no son las mismas, es decir, no representan el mismo elemento del plano.
El espacio tridimensional R3 es el espacio en el que vivimos y se representa por 3
ejes mutuamente perpendiculares y cada punto esta dado por una tripleta, la cual tiene
3 coordenadas (x, y, z). Una tripleta tambien representa un vector.
Z
(3, 4, 5)
3
4
Y
X
Figura 2.1. El espacio 3D (tres dimensiones): la tripleta (4, 5, 5) o el vector (4, 5, 5).
Es conveniente aprender a representar en la mente al espacio tridimensional, pero
orientado de manera arbitraria. Las siguientes recomendaciones pueden ayudar: el espacio tridimensional se dibuja de manera que el piso represente el plano XY y la altura
el eje Z. Ademas, se usa el convenio de la mano izquierda: el pulgar es el eje X positivo.
El ndice es el eje Z positivo hacia arriba. El dedo del corazon es el eje Y . Se forma
2.1. ESPACIOS CARTESIANOS
33
un trpode con 3 angulos rectos, apuntando con el eje X o pulgar hacia el corazon.
Ahora, gire la mano de manera arbitraria: tendra el espacio tridimensional con ejes
que apuntan en direccion arbitraria.
Una de las ventajas inmediatas de la idea de Descartes es que soluciona el problema
de no poder imaginar, por ejemplo, un espacio de 8 dimensiones. En efecto, los puntos
de dicho espacio se representaran por 8-tupletas, las cuales tendran 8 coordenadas.
Una vez hecho esto, es elemental tratar con conjuntos de 8-tupletas y aplicarles las
mismas leyes que se aplican a las dupletas en el plano o tripletas en el espacio.
La maquinaria propuesta por Descartes y aceptada universalmente funciona igual
de bien en 3 dimensiones como en 93 o en cualquiera otra. Dicho de otra manera, no
tenemos hasta ahora una razon matematica para se
nalar a la dimension 3, la de nuestro
espacio, como privilegiada: no sabemos por que nuestro espacio es tridimensional. Se
han propuesto posibles explicaciones de este misterio, por ejemplo: en dos dimensiones
no podran haber organismos como nosotros, pues el tracto intestinal nos dividira en
dos partes separadas que ya no seran un organismo. Pero si el universo tuviese mas de
3 dimensiones espaciales, entonces puede demostrarse que no existiran sistemas planetarios estables: un peque
no meteorito sacara de orbita a cualquier planeta. Tampoco
existiran atomos. La vida como la conocemos no podra existir. La disciplina fsica que
se ha agarrado de lleno con el problema de la dimensionalidad es la teora de cuerdas
(Zwiebach, 2004).
En nuestro mundo, las n-tupletas pueden aparecer naturalmente en cualquier momento.
Pero no solo se desea describir la naturaleza, sino que tambien se a
nora entenderla. Eso significa armar relaciones entre las variables de tal manera que mediante
el valor de algunas de ellas, llamadas independientes, uno pueda predecir, al menos
aproximadamente, el valor de otras, llamadas dependientes. Un modelo es una definicion de un conjunto de variables independientes y de sus interrelaciones. Si todo eso
se expresa por medio de formulas matematicas, tenemos un modelo matematico. Si
adicionalmente las ecuaciones son lineales (de la forma 3x + 4y 7z = 8), tenemos un
modelo lineal. Pues bien, lo ideal es meter tan pocas variables independientes como sea
posible. En la practica, eso se hace por tanteo. Si con 3 variables uno no puede hacer
grandes predicciones, entonces uno agrega otra mas a ver si eso sirve de algo.
Nosotros usamos una equivalencia, los elementos de Rn , n-tupletas ordenadas, los
representamos indistintamente como un punto con sus coordenadas correspondientes o
bien como un vector o flecha que sale del origen y que llega hasta el punto dado. Esta
equivalencia permite interpretar un vector como una posicion o bien como una abstraccion de objetos vectoriales, o sea, como el desplazamiento, la velocidad, la aceleracion,
la fuerza, el campo magnetico, etc. Formalmente tenemos:
48. Definici
on. Rn es el conjunto de las n-tuplas ordenadas o vectores. Un
n
elemento ~x R , lo notamos (x1 , x2 , ..., xn ). R2 tambien se llama el plano, y a R3 el
espacio. Al n
umero n tambien se le llama dimensi
on. Dos n-tuplas ordenadas son
iguales si hay igualdad entre las coordenadas. El vector (4, 2, 5) es elemento de R3 ,
mientras que (6, 2, 3, 4) lo es de R4 . Los vectores (1, 2, 3) y (2, 1, 3) no son iguales.
El cero en R3 es (0, 0, 0) y corresponde con el origen de coordenadas.
34
Para conectar nuestros vectores con las aplicaciones en fsica, debemos notar que
nuestros vectores tienen direccion, sentido y magnitud, la cual aprenderemos a medir
un poco despues. Hay tambien dos entidades mas: segmentos y segmentos dirigidos. Un
segmento esta determinado por un par de puntos sin preferencia de orden, lo notamos
P Q, donde P es un extremo y Q es el otro. Este representa una varilla de hierro que
poco importa si se coloca en una direccion o en la otra. Un segmento dirigido es
un segmento para el que es importante decir cual es el comienzo y cual el final. Un
segmento dirigido puede representar un desplazamiento, cuya descripcion me dice si
me muevo de aqu para alla o de alla para aca.
Cabeza
Segmento
Segmento dirigido
Cola
Figura 2.2. Segmento y segmento dirigido.

En un segmento dirigido, al punto de inicio se le llama cola y al punto donde
termina se le llama cabeza. El segmento dirigido se representa por una flecha que va
desde la cola hacia y hasta la cabeza. La notacion P Q denota un segmento dirigido
con cola P y cabeza Q, mientras que la notacion P Q denota un segmento dirigido con

cola Q y cabeza P . Notemos que P Q = QP . Un vector es un segmento dirigido que
sale del origen, y como siempre sale del origen, esto nunca se explicita y por lo tanto
un vector esta determinado por un punto, la cabeza.
2.2.
Paralelogramos
Veamos de que manera hay una relacion natural entre operaciones algebraicas con
vectores y movimientos geometricos en un paralelogramo. As vamos fabricando dos
mundos paralelos: el algebraico y el geometrico. La idea es aprender a cambiarnos de
mundo seg
un nos convenga.
Definamos la suma de vectores y despues la multiplicacion de un vector por un
n
umero. A los n
umeros tambien se les llama escalares. Despues la resta. Mas adelante
definiremos el producto punto entre dos vectores, el cual es un producto sorpresivo
pues el resultado no es un vector sino un escalar.
49. Definici
on. Los vectores se suman coordenada por coordenada. Si estamos
2
en el plano o R , podramos tener: (1, 2) + (3, 4) = (1 + 3, 2 + 4) = (4, 6). En general,
(x1 , x2 , ..., xn ) + (y1 , y2 , ..., yn ) = (x1 + y1 , x2 + y2 , ..., xn + yn ). Observemos que, nuestra
definicion s
olo se encarga de sumar dos elementos. Por eso decimos que la suma es una
2.2. PARALELOGRAMOS
35
operaci
on binaria. Adem
as, est
a definida de tal forma que la suma de dos elementos
del mismo espacio quede dentro del mismo espacio. Por eso decimos que la suma es
cerrada.
Deseamos que la suma este relacionada con paralelogramos. Eso explica la siguiente
definicion.
50. Definiciones. Un paralelogramo es una figura plana bordeada de 4 segmentos paralelos dos a dos. (Dos lados son paralelos si las lneas que los contienen nunca
se cortan.) Un rombo es un paralelogramo de cuatro lados iguales. Un rect
angulo es
un rombo con
angulos internos iguales. Un cuadrado es un rect
angulo con todos sus lados iguales. Un paraleleppedo es una figura tridimensional de caras planas paralelas
dos a dos. Un cubo es una paraleleppedo cuyas caras son cuadrados. Un paralelogramo
puede definirse en cualquier dimensi
on, pero como un paralelogramo est
a totalmente
contenido en un plano, uno se lo imagina que est
a en R2 y todo le funciona.
Ahora relacionemos el algebra con la geometra. Un vector es un desplazamiento,
el cual se codifica partiendo del origen y llegando hasta el punto indicado.
Sumar dos vectores es sumar dos desplazamientos, es decir, es desplazar el primer
vector y despues el segundo vector. Los vectores se suman coordenada por coordenada,
pero graficamente eso equivale a poner la cola del segundo vector sobre la cabeza del
primero. La suma es el desplazamiento total, aquel vector que sale del origen y llega
hasta la cabeza del segundo vector. Eso de poner la cola contra la cabeza implica
tomar el segundo vector, que en principio sale del origen, y trasladarlo paralelamente a
s mismo hasta que llegue a la cabeza del primer vector. La conclusion es que los vectores
que se estan sumando definen los lados contiguos de un paralelogramo y el resultado
de la suma es la diagonal que une el origen con la cabeza del segundo sumando, como
en el siguiente grafico en el cual se suma (3, 1) con (1, 2):
3
0
0
Figura 2.3. Suma de vectores.

51. Ejercicio Justifique graficamente la apreciaci
on de que la suma es conmutativa,
es decir, que para cualquier par de vectores ~u, ~v se tiene ~u + ~v = ~v + ~u. Demuestre
algebraicamente (a partir de la definicion) que la suma es conmutativa.
on de que la suma es asociativa,
52. Ejercicio Justifique graficamente la apreciaci
es decir, que (~u +~v ) + w
~ = ~u + (~v + w)
~ y por lo tanto, la suma binaria puede extenderse
a una suma ternaria de manera u
nica, lo cual permite definir ~u +~v + w
~ sin ambig
uedad.
Prueba la asociatividad a partir de la definicion de suma. Podr
a extenderse la suma
a una operaci
on n-aria?
36
53. Ejercicio Demuestre que en Rn existe un elemento neutro, ~o, que al ser
sumado a cualquier vector no lo cambia: ~u + ~o = ~u, para todo ~u.
~ tal que
54. Ejercicio Demuestre que en Rn para cada vector ~u se tiene un vector w
~u + w
~ = ~o. Demuestre que dicho vector es u
nico y por eso se llama el inverso de ~u y
se nota ~u.
Cuando un conjunto esta provisto de una operacion binaria cerrada, asociativa, con
elemento neutro y con inverso, decimos que tenemos un grupo. Es imposible entender
la fsica moderna en cualquiera de sus facetas sin el concepto de grupo.
55. Ejercicio Demuestre que en un grupo el elemento neutro es u
nico.
En el futuro, en vez de decir que tenemos un conjunto con estructura de grupo
diremos que podemos sumar sin problema.
Tal vez uno tenga sumas que impliquen un grave problema y as es, en efecto:
nosotros hemos definido la suma para vectores, es decir, para segmentos dirigidos que
empiezan todos desde el origen. Pero no hemos definido la suma de segmentos dirigidos
que empiecen en cualquier parte. Por que? Porque queremos que nuestras definiciones
capten algo importante de lo que pasa en el mundo real. Cuando sumamos dos vectores
estamos pensando, por ejemplo, en dos personas que halan una piedra con dos cuerdas
y que cada uno hace una fuerza correspondiente. Si la piedra es peque
na, uno puede
aproximar la situacion diciendo que la fuerza act
ua sobre el mismo punto y todo lo
representamos como suma de vectores. La suma de las dos fuerzas corresponde a la
fuerza que una tercera persona puede hacer para producir el mismo efecto (a muy
corto plazo) que las dos personas en conjunto.
Pero si la piedra es grande, lo mas seguro es que las cuerdas act
uen sobre puntos
distantes de la piedra. Uno podra entonces pensar que se puede abstraer la situacion
diciendo que estamos tratando con vectores generalizados y que estos tambien pueden
sumarse de una forma muy simple. Pues bien, es verdad que uno puede definir suma
de segmentos dirigidos de una manera muy simple, pero no es cierto que el resultado
de la suma indique que uno puede reemplazar las dos cuerdas por una tercera y que
el resultado sea el mismo en ambos casos. En particular, dos fuerzas que operan en
puntos distintos de un cuerpo pueden producir rotaciones, pero una sola fuerza no
necesariamente produce rotaciones. Por esta razon, no definimos suma de segmentos
dirigidos. Pero que hacemos entonces con la vida real en la cual hay varias fuerzas
que act
uan en diversos puntos de un mismo cuerpo? Para estudiar estas situaciones se
han desarrollado ciencias complicadas, digamos la estatica y la dinamica, la teora de
elasticidad (tanto lineal como no lineal), la teora de fluidos, la ciencia de resistencia
de materiales. Cada una de esas ciencias propone su forma de abstraer, de elaborar los
modelos matematicos y de interpretar los resultados. Por supuesto, en el fondo de todo
eso uno encontrara vectores con su suma sin problemas.
Todo esto quiere decir que sumar dos vectores pegando la cabeza del primero con
la cola del segundo es un abuso legitimado por la geometra, pero el cual no tiene
justificacion fsica en todas las ocasiones.
Pasemos ahora a considerar la multiplicacion de un vector por un n
umero.
2.2. PARALELOGRAMOS
37
Cuando uno hace una fuerza, uno puede doblarla, triplicarla, reversarla, etc. Ademas
de suma, los vectores admiten otra operacion: la multiplicacion escalar. Eso debe implicar que un vector (como entidad matematica) debe poder alargarse, acortarse y reversarse, todo lo cual corresponde simplemente a multiplicarlo por un escalar o n
umero
real. Por ejemplo, para alargar un vector dos veces se multiplica cada coordenada del
vector por dos.
5
(2,4)
(1,2)
0
0
Figura 2.4. El doble de un vector.

Ejemplo: 2(1, 2) = (2 1, 2 2) = (2, 4). Para acortarlo a la mitad se multiplica
coordenada por coordenada por 1/2. Para reversarlo se multiplica por 1, coordenada
por coordenada. Observemos que un vector mas su reves da cero. Por eso, al reves de
un vector se le llama el inverso (aditivo). Ejemplo (3, 4) = (3, 4) y tenemos que
un vector mas su inverso da el vector cero:
(3, 4) + (3, 4) = (3 3, 4 4) = (0, 0)
56. Definici
on. Sea ~u = (x1 , x2 , ..., xn ) un vector de Rn y (lambda) un n
umero
o escalar. La multiplicaci
on escalar entre el escalar y el vector la definimos coordenada
por coordenada, como ~u = (x1 , x2 , ..., xn ).
El uso de letras griegas es usual para representar escalares. Veamos algunas letras
junto con otros smbolos usuales en las matematicas:
(alfa ), (beta), (gamma), (epsilon), (delta), (lambda), (mu), (nu),
(ro), (sigma), (existe) (pertenece) (para todo).
57. Ejercicio Sea ~u = (2, 6), ~v = (7, 3), w
~ = (2, 4)
a) Dibujar los vectores ~u, ~v , w
~ en un mismo plano coordenado.
b) Sume ~u + ~v y dibuje la suma. Verifique que la suma de dos vectores es un tercer
vector que es la diagonal principal del paralelogramo formado por los dos vectores
dados.
c) Repita el ejercicio anterior con ~u + w
~ yw
~ + ~v .
38

d) Opere y dibuje
4~u + 2~v
2~u + 3w
~
3w
~ + 5~v
e) Calcule y dibuje ~v , ~u, w.
~
58. Ejercicio Demuestre que en Rn el reverso de un vector da el inverso. Es decir:

(1)~u = ~u.
59. Definici
on. Resta de vectores. Se define como la suma del inverso. Es lo
mismo que con n
umeros: 3 2 = 3 + (2). Similarmente
~u ~v = ~u + (~v ).
En definitiva da lo mismo que restar coordenada por coordenada. Ejemplo, si
~u = (2, 3), ~v = (1, 2),
~u ~v = (2, 3) (1, 2) = (2, 3) + (1, 2) = (3, 1).
Existe una manera automatica de dibujar el vector resta. Se basa en la analoga

con los n
umeros reales: 5 3 es lo que le falta a 3 para llegar a 5, o sea 2.
~u
~u ~v
~v
Figura 2.5. Resta grafica de vectores: ~u ~v sale del origen y es paralelo al segmento
dirigido que va desde ~v hasta ~u.
De igual forma, ~u ~v es el vector que representa lo que le falta a ~v para llegar a
~u, es decir, es una flecha cuya cola esta en la cabeza de ~v y su cabeza esta en la de ~u.
Pero para nosotros todos los vectores salen del origen. Eso se remedia trazando desde
el origen un vector que sea paralelo a la resta grafica pero con la misma direccion y
sentido.
60. Ejercicio Sea ~u = (2, 6), ~v = (7, 3), w
~ = (2, 4). Calcule y grafique las
siguientes restas usando la definicion de resta como vectores y el equivalente de resta
de puntos:
a) 4~u 2~v
b) 2~u 3w
~
c) 3w
~ 5~v .
2.3. EV=ESPACIOS VECTORIALES
2.3.
39
EV=Espacios vectoriales
Nosotros hemos trabajado con Rn y hemos visto como se suman vectores y como se
multiplica un vector por un escalar. Y lo hemos podido hacer de manera natural y sin
problema. Pues bien, hay muchos otros conjuntos fuera de Rn donde tambien puede
definirse una suma y una multiplicaci
on escalar sin problema alguno. A dichas
estructuras se les llama espacios vectoriales.
61. Definici
on. EV= Espacio vectorial. Un espacio vectorial es un conjunto
no vaco sobre el cual se ha definido una suma que le da estructura de grupo y una
multiplicaci
on por escalares que cumple las siguientes propiedades:
La multiplicaci
on por un escalar distribuye la suma de vectores. Para todo escalar
y todo par de vectores ~u, ~v se cumple que (~u + ~v ) = ~u + ~v .
La multiplicaci
on por un vector distribuye la suma de escalares. Para todo par de
escales , y cualquier vector ~u se tiene que ( + )~u = ~u + ~u.
Alargar un vector veces y el resultado alargarlo veces, es lo mismo que alargar
al vector veces: (~v ) = ()~v .
Alargar un vector una vez es lo mismo que no hacer nada. Para todo ~u se tiene que
1~u = ~u.
62. Ejercicio Demuestre que Rn es un espacio vectorial.
El espacio Rn puede verse como una elaboracion de R y, en cierto sentido, todos
los espacios vectoriales no son mas que matrices de Rn , aunque tal vez n pueda ser
infinito. Por ahora no profundizaremos en estos temas, pero puede ser muy conveniente
dar unos dos o tres ejemplos de espacios vectoriales un poco mas abstractos.
63. Contraejemplo Nos gusta decir y enfatizar que cuando uno puede sumar y
alargar sin problema, uno tiene un EV , o sea un conjunto en el cual uno puede
operar como si estuviese en Rn . Pero entonces, que querra decir sumar o alargar con
problemas? Para entender eso, consideremos el siguiente ejemplo, en el cual se definen
la suma y la multiplicaci
on escalar de manera especial.
Para que un conjunto sea EV se requiere, entre otras cosas, que sea no vaco.
Como conjunto tomamos el plano, con coordenadas (x, y). Se requiere una suma y una
multiplicacion escalar. Nuestra suma la definimos como sigue: para sumar, lo u
nico que
nos importa es la primera coordenada:
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , 0)
Similarmente, para multiplicar por un escalar:
(x, y) = (x, 0)
La suma, tal como la hemos definido, es cerrada y lo mismo la multiplicacion escalar.
Como quien dice, no hay problema ni con la suma, ni con la multiplicacion escalar. Pero
eso no es suficiente para ser EV . Se requiere que el conjunto con la suma cumpla los
axiomas de grupo. Veamos que la suma es conmutativa, es asociativa, no hay elemento
neutro, pues si existiese, sera de la forma (0, w), pero (x, y) + (0, w) = (x, 0) 6= (x, y).
40
Como no hay elemento neutro, no hay necesidad de pensar en inversos, y no tenemos

un grupo. Ademas, para ser EV se requiere que el n
umero uno se multiplique por
cualquier vector del mismo n
umero. Veamos si es cierto:
Si (x, y) R2 , entonces 1(x, y) = (1x, 0) = (x, 0) 6= (x, y). Falso. No tenemos un
EV .
64. Ejercicio Sobre cualquier Rn hemos definido una suma, la suma oficial, y una
multiplicaci
on escalar, las inducidas por las operaciones naturales de los n
umeros reales.
Es esa la u
nica manera de definir una suma generalizada y una multiplicaci
on escalar
de tal manera que la estructura resultante sea EV ?
65. Ejemplo y ejercicio Notamos por Mnm al conjunto de las matrices con n
renglones y m columnas. Definimos la suma de matrices entrada por entrada y la
multiplicaci
on escalar de una matriz por un escalar real como la multiplicaci
on de cada
entrada por el escalar. Este conjunto es no vaco, permite sumar y multiplicar sin
ning
un problema y por lo tanto es un EV.
Demostraci
on: ejercicio.
66. Ejercicio Un polinomio de grado 3 es una expresi
on del tipo p(x) = a+bx+cx2 +
dx3 . Demuestre que los polinomios de grado 3 no forman un EV, pero que los polinomios
de grado menor o igual que 3 s forman un EV. Dichos polinomios pueden sumarse
y multiplicarse por n
umeros reales sin ning
un problema y siguen siendo polinomios de
grado menor o igual que 3.
67. Ejemplo y ejercicio Intuitivamente podemos definir la clase de las funciones
continuas como aquellas cuyas graficas son curvas que no tienen roturas. Defina la
suma de dos funciones continuas y averig
ue si la suma es cerrada, es decir, si suma de
continuas es continua. Lo mismo con la multiplicaci
on escalar. Verifique que la suma y
la multiplicaci
on escalar no tienen problema alguno. Concluya declarando si el conjunto
de las funciones continuas es o no un EV.
68. Ejemplo y ejercicio Intuitivamente podemos decir que una lnea es tangente
a una curva cuando es la lnea que mas se parece a la curva cerca del punto de tangencia. Podemos definir la clase de las funciones derivables como aquellas funciones
cuya grafica es una curva a la cual se le puede, sin ambig
uedad alguna, asociar una
lnea tangente en cada punto. Una funcion que no es continua no puede ser derivable
en los puntos de discontinuidad y lo mismo una funcion continua que tenga esquinas,
pues uno no puede definir cual es la u
nica lnea que mas se parece a la funci
on. Usando lmites, pongale rigor a nuestra definicion intuitiva de funcion derivable tanto en
un punto como en un intervalo abierto. Defina la suma de dos funciones derivables y
averig
ue si la suma es cerrada, es decir, si la suma de derivables es derivable. Lo mismo con la multiplicaci
on escalar. Concluya declarando si el conjunto de las funciones
derivables es o no un EV.
69. Ejercicio Generalice el ejemplo anterior a derivadas de orden superior.
Estos ejemplos anuncian el enorme cubrimiento del algebra lineal, la cual contiene
infinitas cosas que uno ni se imagina y que se pueden tratar con igual naturalidad que
41
a los elementos de R2 . Siguiendo por este camino de abstraccion se puede llegar a la

mecanica cuantica que es un peque
no captulo del algebra lineal considerada en toda
su generalidad (la cual se denomina analisis funcional). No profundizaremos en estos
temas, pues sabemos de sobra que es contraproducente que un ni
no aprenda a caminar
sin haber aprendido a gatear.
70. Ejercicio Demuestre que en cualquier espacio vectorial el elemento neutro es
u
nico. Y que cada inverso es u
nico. Demuestre que el reverso de un vector da el
inverso. Es decir, (1)~u = ~u. Compare con el ejercicio 58.
71. Ejercicio
a) Discuta la viabilidad e interes de usar coordenadas cartesianas para representar
la posicion de un carro y de usar vectores para representar sus desplazamientos.
b) Discuta la viabilidad e interes de usar coordenadas cartesianas para representar
puntos en el espacio ocupados por estrellas y de usar vectores para representar sus
desplazamientos. (Se mueven las estrellas?)
c) Discuta la viabilidad e interes de usar coordenadas cartesianas para representar
la dinamica de un conjunto de variables de interes medico, digamos la tension arterial,
la concentracion de trigliceridos, y la concentracion de az
ucar.
d) Compare la forma de orientacion de alguien que se gua por coordenadas cartesianas y de alguien que lo hace con ayuda de una br
ujula.
e) Observe si es verdad que algunas plantas orientan sus hojas para maximizar la
iluminacion recibida y por lo tanto demarcan el oriente y el occidente. Como podremos
saber con ayuda de dichas plantas cual es el oriente y cual el occidente? Sera mas beneficioso guiarse por los nidos de termitas que se orientan hacia el polo norte magnetico?
f) Explique por que un perdido en la selva o en el mar termina haciendo crculos.
h) La suma de vectores coordenada por coordenada es equivalente a la suma mediante un paralelogramo. Esto esta bien para un plano. Podra definirse la suma de
desplazamientos sobre la superficie de una esfera mediante un paralelogramoide (un
paralelogramo curvo) de tal forma que la suma sea conmutativa?
72. Ejercicio sobre Tierra plana vs. tierra curva
En este curso trabajamos con espacios planos, pero es importante tener en cuenta
que no todo es plano. Un buen ejemplo es la Tierra. La siguiente narrativa combina la
ficcion con la realidad. Los datos reales, facilmente distinguibles, fueron tomados de la
Gran Enciclopedia Larousse (1983).
Reinaba en aquel entonces Carlos V de la casa de Habsburgo sobre Alemania y
Espa
na, y el rey reparta su tiempo aqu y alla. Eran grandes las riquezas que traan
de ultramar y el que naca, naca para derrochar, especialmente si tena nobleza en sus
venas. Vea pues el rey a toda la Corte en una sola parranda y pregunto: Hay alguien
aqu que este interesado en algo mas que en divertirse? Los cortesanos sintieron pavor
pero fueron salvados por uno de ellos, flamenco, que dijo: hay un extranjero que desea
hablar con el rey. Fue llevado Fernando de Magallanes ante el rey que, en aleman,
42
dijo: Hablad! Magallanes respondio: puedo demostrar que la Tierra no es plana sino
redonda. Hubo consejo y le dieron por mision demostrar su pretension.
El portugues Magallanes salio de Sanl
ucar de Barrameda en 1519 con 5 carabelas.
Llego a America por Brasil, y por all mismo una tormenta le desbarato una carabela.
Pero de todas maneras siguieron y descubrieron el estrecho que hoy se llama de Magallanes. Se aventuro a meterse en las entra
nas del oceano Pacfico, y despues de 3 meses
de penurias llego a las Marianas en 1521, pero poco despues fue muerto en una isla de
las Filipinas. Agonizante, Magallanes le dijo a Elcano: por Dios y por el rey, cumplid
la mision. Elcano respondio: por vos la cumplire. Viendo Magallanes en los ojos de
Elcano su sinceridad, su sabidura y su firmeza, su corazon se lleno de paz y murio.
Elcano tomo el mando de las carabelas, le dio la vuelta a Asia y tambien a Africa y
llego a Espa
na en el oto
no de 1522. Se presento al rey Carlos V y le entrego su bitacora
(las memorias de su recorrido, incluyendo las mediciones de rigor). Le fue anunciado a
Elcano la cifra de toda la fortuna que se haba invertido en su expedicion y lo llevaron
a un lugar donde sera ahorcado si su bitacora no demostraba que su mision haba sido
cumplida.
Le pusieron la soga al cuello y dieron la bitacora a los matematicos para que la
estudiaran.
El rey miraba la escena desde una ventana y detras de una cortina trada desde
Flandes. Elcano estaba ah con la soga en su cuello esperando el veredicto y el rey se
maravillo de su serenidad y de su paciencia. Y pensando en eso, de pronto comprendio el
rey que Elcano haba cumplido la mision y que el s saba de sobra y con certeza
que la Tierra era redonda en verdad. Y entonces el rey visualiso a la Tierra como
a una manzana en el espacio. Y se pregunto: yo no siento que la Tierra se caiga,
que sera lo que la mantiene en su puesto? Y no encontro mas respuesta sino a la
mano de Dios. Cuando llego a esa conclusion, el rey se estremecio pues nunca en su
vida haba percibido a Dios tan cerca de su vida. Inmediatamente se dijo: yo voy a
defender a Dios de todos sus enemigos. Los cortesanos queran preguntarle la causa
de su estremecimiento, que por demas fue bastante pronunciado, que si tal vez senta
dolor porque ahorcaran a Elcano, pero el rey los dejo callados al ordenarles: hagan
otras siete horcas para los matematicos. Si no me dan la respuesta correcta, que yo ya
se, los ahorcare.
Los matematicos estaban tan embolatados en sus quehaceres que ni cuenta se dieron
de las otras siete horcas. Cuando los matematicos terminaron fueron al rey y le dijeron:
la Tierra es redonda en verdad. Sabiendo ellos que el rey tena un refinado gusto por
las cosas maravillosas, ellos esperaban que el rey llorara de alegra. Pero el rey no
lloro, ni mostro conmocion alguna. Como los cortesanos vieron que el rey no mandaba
a ahorcar a los matematicos, dedujeron que ellos haban llegado a la respuesta correcta
que el rey ya saba.
Bajaron a Elcano de la horca y cuando los matematicos supieron para que eran
las otras siete horcas, se desmayaron todos, excepto don Beltran Alonso Rodrguez,
duque de Fuensalda
na. Este tipo no poda desmayarse porque el posea la tradicion
de los piratas que data desde los romanos: cuando Pompeyo fue encomendado para
acabar con ellos, solo se salvaron aquellos que se aventuraron a abrirse de las costas y
meterse mar adentro en el Mediterraneo donde no podan ver las monta
nas que servan
de gua sino solo contaban con las estrellas. Pues bien, cerca de la costa europea se
43
vean estrellas hacia el norte que no se vean desde la costa de Africa.

Y algo similar
pero complementario suceda desde dicha costa. Eso era un claro efecto de la redondez
de la Tierra. Ademas, adentrandose en el mar, las monta
nas se van ocultando, lo cual
evidencia la redondez del mar.
Elcano fue citado a los 15 das siguientes para que recibiera los honores. El da
se
nalado tocaron trompeta, guardaron silencio y se proclamo:
La Tierra es redonda. Gloria a Dios, al rey, a Magallanes, a Elcano y a su tripulacion.
Y salio el bufon y dijo:
La Tierra es redonda como un cilindro.
Hubo risas y hasta algo de nerviosismo pero ni Elcano se defendio, ni tampoco se
defendieron los matematicos. Y con esas risas empezo el festejo.
a) Ofrezca un estimativo del radio de la Tierra, asumiendo que las carabelas
navegaron durante 3 a
nos a una velocidad promedio por da de 80 km (personas
ordinarias pueden recorrer en cicla, en terreno plano, unos 100 km por da). Tenga
en cuenta que el viaje no fue por el ecuador, ni por un crculo maximo sino con muchas
vueltas, lo cual alargo el recorrido mnimo, digamos, al doble. Compare su estimativo
sobre el radio de la Tierra con el moderno, el cual es de alrededor de 6.000 km.
b) Que clase de mediciones deberan estar en la bitacora para que los matematicos
pudiesen decidir si la Tierra era redonda o no?
c) Como resolvieron los matematicos y Elcano la objecion del bufon?
d) Para que se necesitaban 5 carabelas si todas iban juntas? No era acaso suficiente
una sola? El Beagle de Darwin era uno solo pero de todas formas le dio vuelta y media al
mundo y mas o menos en el mismo tiempo que la expedicion de Magallanes, despues de
dar la vuelta al mundo, Darwin regreso a America desde Europa con un u
nico proposito,
investigar la evolucion natural de las poblaciones de las Galapagos. Sin duda lo que
encontro fue el bastion que le permitio sustentar su teora sobre el surgimiento de las
especies por evolucion.
e) Si bien Cortes fue guiado en 1513 por un aborigen al oceano Pacfico, precisamente
por Panama, nadie le haba dado la vuelta al Cono Sur de America y no se saba que
los dos oceanos se comunicaban. Como estaba tan seguro Magallanes que por el sur
se uniran los dos oceanos, el Atlantico y el Pacfico? Por que no se dirigio al norte?
f) Como dilucidaron los matematicos que Magallanes no se haba devuelto desde
el Cono Sur de America por el Indico hacia el extremo sur de Africa?

g) Por que mataron a Magallanes y a Elcano no? Por que no los mataron a todos?
h) Se debe a Magallanes que en Filipinas una cierta minora hable espa
nol actualmente?
i) El rey Carlos V fue un rey buscapleitos toda su vida. El libreto presentado sugiere
que la causa de eso fue una suerte de inspiracion divina en la cual el sintio demasiado
cerca de s la presencia de Dios. Por causa de tanta guerra, Espa
na se endeudo por 3
eternidades y de la infinita riqueza sacada de las Indias solo quedo el recuerdo y un pas
enmiserado, pues por tener mucha riqueza gratis no desarrollo su poder manufacturero
y a
un mas, destruyo el que tena, que no era poco. Procure elaborar otra explicacion a
tanta sangre derramada. Tenga en cuenta que Carlos V gano su primera guerra a los
16 a
nos, la cual fue contra una revolucion civil. Los comuneros castellanos se rebelaron
contra su rey por ser extranjero, pero Carlos V los demolio en 1521 y quedo con un
44
poder absoluto.
Para saber mas. Nosotros estudiamos en este curso una amalgama de algebra y geometra plana. En el mundo de la complejidad, nuestra materia es facil pues los temas
complicados estan asociados a geometra curva y a herramientas analticas apropiadas.
El enfoque adoptado para combatir la complejidad que trae consigo la introduccion
de la curvatura es el mismo de los cartografos: a peque
na escala la tierra se modela
plana, lineal, y se construyen mapas que se pueden poner sobre una mesa. La curvatura
sale de la forma como se curvan los diversos mapas para ser pegados unos con otros.
Este tema se estudia en geometra diferencial. Aunque las aplicaciones de esta materia
son muy variadas, las mas conocidas son en fsica pues, por ejemplo, la gravitacion
se reduce seg
un la relatividad general propuesta por Einstein a un efecto de la curvatura del espacio-tiempo, una estructura en la cual el tiempo no se puede disociar
del espacio. Esta idea se ha venido desarrollando y ahora cubre toda la fsica. Un enfoque sobre el tema que es moderno, que ensancha la mente y unifica las ideas, y que
ademas es pedagogico puede encontrarse en Rodrguez (2008), en Internet, y comenzar
a trabajarse despues de ver calculo vectorial aunque una hojeada por un estudiante
del presente curso le podra servir para ver las ideas generales. Si logra sacar como
conclusion que el algebra lineal esta en el fundamento de todo, y que por tanto hay
que saberla bien, ya sera mucho lo que ha ganado.
2.4.
Espacios digitales
Nosotros estamos muy acostumbrados a ver a las tripletas de n

umeros reales como
puntos del espacio, el cual ha sido direccionado por unos ejes cartesianos. Es natural
por tanto, preguntarse que puede ser una cuadrupleta o una octupleta. Al quedarse
corto en la respuesta, se puede llegar a pensar que todo esto no es mas que un juego
bobo. Por eso, presentamos a continuacion una interpretacion de las n-tupletas, bajo
la cual las cuadrupletas, las octupletas y las trillonitupletas todas tienen un sentido
muy claro, muy simple, y de interes tanto tecnologico como matematico. Se trata del
espacio digital. Este espacio es muy similar a Rn pero al mismo tiempo es muy
diferente. Veamos como se construye.
Tomemos el intervalo I = [0, n) y lo dividimos en n subintervalos iguales. Uno
cualquiera de ellos Ij es de la forma [j, j + 1). Definimos sobre I la funcion Pj , que se
lee pulso en j, como la funcion que asigna 1 a cualquier elemento sobre Ij y 0 a todo
lo demas, tal como se ve en la grafica siguiente:
2
0
-1
Figura 2.6. La funcion P2 es un pulso que vale uno sobre el intervalo [2,3) y cero por
fuera.
2.4. ESPACIOS DIGITALES
45
Si el intervalo base es [0, 5), podemos notar a P2 como (0, 0, 1, 0, 0). Pero si el
intervalo base es [0, 7), P2 debera ser notado como (0, 0, 1, 0, 0, 0, 0).
73. Ejercicio Dibuje los siguientes pulsos:
a) (0, 0, 1)
b) (0, 0, 1, 0)
c) (0, 0, 1, 0, 0)
74. Ejercicio Las siguientes n-tupletas no son pulsos, pero son modificaciones sencillas de pulsos, especifique de cuales:
a) (0, 0, 3)
b) (0, 0, 5, 0)
c) (0, 0, 7, 0, 0)
75. Ejercicio Los pulsos son importantes en transmision de informacion, un pulso
se interpreta como un uno y una ausencia de pulso como un cero, siempre y cuando
uno tenga claramente definida la unidad de tiempo basica dada por un reloj. Cuando
los pulsos se transmiten en serie se crea un tren de pulsos. A que tren de pulsos
corresponde el n
umero binario 1011010, si cada mensaje tiene 7 pulsos y si los bits
(que son biopcionales, todo o nada) se mandan de izquierda a derecha? Bosqueje el
tren de pulsos correspondiente.
76. Ejercicio Formalice la definicion de tren de pulsos. Defina la suma de trenes
de pulsos y su multiplicaci
on escalar de forma natural, es decir, coordenada por coordenada. Muestre que el conjunto de trenes de pulsos con la suma y la multiplicaci
on
escalar as definidos, no forman un espacio vectorial.
77. Ejercicio Si uno cuenta con un dispositivo de amplitud modulada, se pueden
transmitir se
nales cuya notacion es del estilo (3, 4, 2, 6). Esta tetratupleta dice que
hemos tomado el intervalo [0, 4) y sobre el hemos definido una funci
on o se
nal que
puede notarse como
(3, 4, 2, 6) = 3P0 + 4P1 + 2P2 + 6P3 .
Todo parece indicar que tenemos un espacio vectorial. Podemos sumar y alargar
sin problema. Demuestrelo formalmente, es decir, pruebe que el conjunto de funciones
definidas sobre I = [0, n) y constantes sobre cada subintervalo [i, i + 1) es un espacio
vectorial con la suma y la multiplicaci
on escalar naturales. A dicho espacio lo notamos
Dn y lo llamamos el espacio digital de dimensi
on n. Por abuso del lenguaje, los
elementos de Dn tambien se llaman pulsos.
78. Ejercicio Desde el punto de vista de espacios vectoriales, Rn y Dn son practicamente lo mismo. Decimos que Rn y Dn son isomorfos. Formalice la definicion de
isomorfismo de espacios vectoriales y demuestre formalmente que Dn y Rn son isomorfos. (Dn , el espacio digital, es el conjunto de funciones definidas sobre I = [0, n) y
constantes sobre cada subintervalo [i, i + 1)).
46
El espacio digital es el referente teorico de la m

usica digital. Veamos algunos detalles
del asunto.
El sonido es una onda de presion longitudinal, en la cual las zonas de compresion
y de expansion se acomodan a lo largo de la direccion en la cual se transmite. Si uno
pone un microfono para captar sonido, este lo transforma en una onda electrica que
viaja a traves del cable. Si se visualiza dicha onda por medio de un osciloscopio, la onda
se ve como se espera, como una curva que baja y sube innumerables veces. Digitalizar
el sonido consiste en generar un tren de pulsos del espacio Dn , que pueden ser tanto
positivos como negativos y que tienen diferente amplitud de tal forma que su envolvente
sea la onda dada. Si los pulsos son muy gordos, habra poca fidelidad, pero si son muy
flacos consumen mucha informacion. Hay que lograr un ajuste adecuado. Cuando se
transmite sonido en forma digital, solo se usan pulsos de amplitud uno. Por lo tanto,
la amplitud del pulso que codifica la onda de sonido tambien debe codificarse y se
obtendra un sistema de amplitud modulada. O podra usarse un sistema de frecuencia
modulada, en el cual los datos son los cambios de frecuencia y no de amplitud.
2.5.
La norma de un vector
Definiremos la longitud de un vector de R2 para que coincida con la nocion de longitud del mundo en que vivimos, el cual esta caracterizado por el teorema de Pitagoras,
descubierto hace 2.500 a
nos. Para ello necesitamos algunos prerrequisitos. La generalizacion de la definicion de norma en Rn es inmediata. Pero para espacios vectoriales en
general, la norma se define de tal manera que cumpla las propiedades naturales que
cumple la norma en Rn .
79. Definiciones. La unidad de longitud es lo que mide una determinada barra
cuya longitud sea muy estable a la humedad, el calor, la corrosion. La vara la definio Enrique VIII como la distancia desde la punta de su nariz hasta la punta de su mano bien
estirada en posicion horizontal. Los franceses definieron el metro como 1/40.000 el
crculo maximo de la Tierra que pasaba por un determinado pueblo. La longitud de un
segmento en metros es la cantidad de barras de un metro de largo que es necesaria para
cubrir el segmento. La unidad de
area es un cuadrado de un metro de lado. El area de
una figura en metros cuadrados es el n
umero de cuadrados de un metro de lado que
son necesarios y suficientes para enladrillar la figura. La unidad de volumen en metros
c
ubicos es un cubo de un metro de lado. El volumen de una figura en metros c
ubicos
es el n
umero de cubos unitarios que se necesitan para cubrirla.
80. Teorema. El
area de un rect
angulo de base b y altura h es bh.
Demostraci
on. Consideremos que b, h sean enteros. Al rectangulo de base b y altura h
lo cuadriculamos y se forman bh cuadros de 1 unidad de lado, por lo tanto se requieren
bh cuadros para recubrirlo. Es decir, su area es bh.
2.5. LA NORMA DE UN VECTOR
47
81. Ejercicio Discuta si la anterior demostraci

on es en realidad una demostraci
on
o si apenas es su comienzo. En el u
ltimo caso, haga lo posible por terminarla.
82. Teorema. El
area de una paralelogramo es base por altura.
S
Figura 2.7. Area

de un paralelogramo.
Demostraci
on. Consideremos el paralelogramo PQRS. Su altura es lo que mida el segmento TS, y su base es lo que mida PQ. Se fabrica el rectangulo TURS trasladando el
triangulo PTS hasta que coincida con el triangulo QUR. El rectangulo nuevo tiene la
misma area que el paralelogramo original. Como el area de un rectangulo es base por
altura, la del paralelogramo tambien.
83. Definici
on. Un
angulo se llama recto cuando queda en un vertice de dos
lneas que se cruzan formando cuatro
angulos iguales. Medido en grados un angulo
recto mide 90, y en radianes mide /2.
84. Teorema del medio Sol y ejercicio. Los
angulos internos de un tri
angulo
suman 180 grados o . Por que se llama este teorema as?
Demostraci
on. Para probar esto necesitamos el siguiente hecho:
Figura 2.8. Angulos

iguales.
Una escuadra al ser deslizada sobre una lnea ni se abre ni se cierra. O mejor dicho:
si dos angulos tienen lados paralelos, entonces son iguales. Por otra parte, cuando dos
lneas se cruzan, los angulos opuestos por el vertice son iguales.
Con los dos resultados anteriores podemos hacer la demostracion solicitada.
48

3
-1
0
Figura 2.9. Teorema del medio Sol.
En la figura podemos ver tres demostraciones del Teorema. Hay tres maneras de
trasladar los angulos internos para que queden juntos sobre el mismo lado de una lnea
recta de tal forma que llenen todo ese medio mundo. Por tanto, la suma de los angulos
internos de un triangulo es de 180 grados.
85. Teorema de Pit

agoras. En un tri
angulo rect
angulo (con uno de sus angulos
recto) de lados a, b e hipotenusa c se cumple que c2 = a2 + b2 .
=
sa
u
n
ote
Hip
b
a2 +
c=
a
Figura 2.10. Triangulo de Pitagoras.
Demostraci
on. Supongamos que el triangulo rectangulo tiene como vertices A, B, C
y como lados a, b, c. Hacemos cuatro copias del triangulo dado y con ellas formamos
un cuadrado de lado c de tal forma que quede un cuadrado interior de lado b a.
En la figura siguiente, el triangulo inicial esta en la esquina inferior derecha, con su
hipotenusa apuntando hacia la derecha.
2.5. LA NORMA DE UN VECTOR
49
A
a
ba
-1
-2
C
-3
-2
-1
-3
2
Figura 2.11. Teorema de Pitagoras.

Pero tenemos un problema, son estas figuras realmente cuadrados? Lo que pasa
es que un cuadrado no es simplemente una figura que tiene todos los lados iguales.
Para que una figura de cuatro lados iguales sea cuadrado se requiere ademas que los
angulos internos sean todos rectos. Analicemos entonces el vertice C en donde hay un
angulo recto en el interior del triangulo. Pero como el angulo que queda al lado de una
recta es de 180 grados, se deduce que el angulo interno del cuadrilatero peque
no en el
vertice C tambien es recto. Nuestro razonamiento es valido para todas las esquinas del
cuadrilatero peque
no y por tanto es un cuadrado.
Demostremos lo mismo para el cuadrilatero grande, el exterior. Como los angulos
internos de un triangulo suman 180 grados, entonces, en un triangulo rectangulo los
dos angulos no rectos suman 18090 = 90 grados. Por tanto, el angulo en cada esquina
del cuadrilatero grande es recto pues contiene los dos angulos no rectos del triangulo
rectangulo.
Habiendo demostrado que realmente tenemos un cuadrado de lado b a dentro de
otro de lado c, el teorema de Pitagoras es inmediato:
El area del cuadrado grande es c2 , la cual es igual al area del cuadrado peque
no
2
interior, (b a) , mas el area de 4 triangulos, cada uno de area (ab)/2, entonces
c2 = (b a)2 + 4(ab/2) = b2 2ab + a2 + 2ab = b2 + a2 = a2 + b2
86. Teorema autodemostrado 1. La norma de un vector (a, b) es la distancia
desde su cola hasta su cabeza. Se notacomo k(a, b)k. Por lo tanto, armando un tri
angulo
apropiado, se deduce que k(a, b)k = a2 + b2 .
87. Definici
on. Un vector unitario es aquel cuya norma es uno.
88. Ejercicio Describa todos los vectores de R2 que sean unitarios.
50
89. Repaso. Un plp (paraleleppedo) es una figura tridimensional bordeada por 6

caras planas paralelas dos a dos.
agoras defina la norma de un vector en el espacio 3D.
90. Ejercicio Usando Pit
Ayuda: forme un plp cuya diagonal principal es el vector dado. Forme un tri
angulo
rect
angulo vertical con la diagonal principal, una arista del plp y otra diagonal secundaria. Observe ahora que la diagonal secundaria es la hipotenusa de un tri
angulo
rect
angulo en la base del plp. Aplique Pit
agoras sobre esos dos tri
angulos. Generalice a
n-dimensiones.
91. Ejercicio Generalice la definicion de norma de un vector para cualquier vector
en Rn .
92. Ejercicio Calcule la norma de los vectores
(2, 1), (2, 3), (1, 2), (3, 5), (1, 2, 3), (1, 2, 3), (3, 4, 5), (2, 3, 6, 5).
93. Definici
on. Sea el punto P definido por el vector ~u, y el punto Q, definido
por ~v . La distancia entre dos puntos P y Q es la norma del vector que va desde P a
Q, calculado por ~u ~v .
94. Ejemplo Sea P = (1, 3, 5), Q = (1, 2, 3). Calculemos la distancia de P a Q.
Para ello, hagamos la resta (1, 3,
3) = (1, 3, 5) + (1, 2, 3) = (0, 5, 2) y
5) (1, 2,
hallemos su norma k(0, 5, 2)k = 25 + 4 = 29.
95. Ejemplo La distancia de un punto cualquiera (x, y, z) al punto (2, 3, 1) es la
p
norma del vector (x 2, y 3, z + 1), es decir, (x 2)2 + (y 3)2 + (z + 1)2 .
96.
Ejemplo
Definamos la circunferencia y hallemos su ecuaci

on.
Una circunferencia es un conjunto de puntos de R2 que equidistan de un punto fijo

llamado centro. Sea el centro (h, k) y un punto cualquiera de la circunferencia (x, y).
Entonces la p
distancia de (x, y) al centro es constante, igual al radio r. Por tanto, la
ecuacion es (x h)2 + (y k)2 = r y elevando al cuadrado ambos lados se tiene
(x h)2 + (y k)2 = r2 ,
que es la ecuacion de la circunferencia con centro en (h, k) y de radio r > 0.
on.
97. Ejercicio Defina una esfera y halle su ecuaci
98. Ejercicio Defina la elipse por la regla del jardinero. Tome tres puntillas. Fije
dos de ellas en puntos separados, llamados focos, y u
nalas con un cuerda floja. Con la
tercera puntilla tense la cuerda y vaya dibujando la elipse,
2.6. EL PRODUCTO INTERIOR
51
Figura 2.12. Elipse.

de tal manera que si los dos focos estuviesen en el mismo punto, quedara una
circunferencia. Demuestre que un punto (x, y) de la elipse satisface la ecuaci
on
x2
+
a2
donde la elipse se ha centrado en el
jardinero mide de largo 2a, la distancia
b 2 = a2 c 2 .
y2
= 1,
b2
origen del plano cartesiano, la cuerda del
entre los focos mide 2c, y hemos definido
99. Ejercicio y definici

on Demuestre que la definicion que tenemos de norma
n
sobre R cumple con las siguientes propiedades, las cuales se toman como la definicion
de norma en un espacio vectorial arbitrario.
La norma es una funcion p definida sobre un espacio vectorial que asocia un
n
umero real a cada vector ~v tal que
a) p(~v ) 0 (la norma o largo de un vector no puede ser negativa).
b) p(~v ) = ||p(~v ) para cualquier escalar y cualquier vector ~v (si se alarga un
vector, la norma se alarga consecuentemente).
c) p(~u + ~v ) p(~u) + p(~v ), para cualquier par de vectores ~u, ~v . (Cuando se utiliza la
norma para medir distancias, debe cumplirse que el camino directo tiene la distancia
mas corta entre dos puntos). A esta desigualdad se le llama la desigualdad triangular.
d) p(~v ) = 0 si y s
olo si ~v es el vector cero (un vector que no es cero tampoco tiene
norma cero).
En este y en la gran mayora de textos, la norma se nota como ||~v || pero en otros
libros se usa |~v |.
2.6.
El producto interior
Existe una herramienta especialmente dise

nada para saber si dos vectores son o
no perpendiculares, es decir, si forman un angulo recto. Se llama producto interno,
52
interior, escalar o punto. Comenzamos con una definicion valida para R2 , despues
la generalizamos a Rn y luego a un espacio vectorial cualquiera.
100. Definici
on. Dados dos vectores de R2 , ~u = (u1 , u2 ), ~v = (v1 , v2 ), definimos
el producto interno, escalar o punto ~u ~v como el n
umero
~u ~v = u1 v1 + u2 v2 .
101. Ejemplo Si ~u = (3, 5) y ~v = (4, 2) entonces
~u ~v = (3)(4) + (5)(2) = 12 10 = 2.
102. Ejemplo Si ~u = (1, 1) y ~v = (1, 1) entonces
~u ~v = (1)(1) + (1)(1) = 1 1 = 0.
103. Ejemplo Si ~u = (1, m) y ~v = (1, 1/m) entonces
~u ~v = (1)(1) + (m)(1/m) = 1 1 = 0.
104. Ejercicio Generalice la definicion de producto punto a Rn .
105. Ejercicio Sea el espacio digital Dn , el conjunto de funciones definidas sobre

I = [0, n) y constantes sobre cada subintervalo [i, i+1). Construya sobre Dn un producto
interno que lo haga en todo semejante a Rn . Decimos que Rn y Dn son isomorfos
como espacios vectoriales con producto interno. Defina la norma en Dn , de un pulso,
de un tren de pulsos, de un elemento cualquiera.
106. Ejercicio Calcule el producto punto entre los pares de vectores. Dib
ujelos y
observe cuales pares son perpendiculares y cuanto da su producto punto:
a) (1, 1), (2, 2)
b) (1, 3), (3, 1)
c) (1, 7), (2, 4)
d) (1, 1, 1), (1, 1, 1)
e) (1, 1, 1), (1, 1, 0)
El producto interno entre dos vectores puede relacionarse con la norma de los vectores y el angulo entre ellos. Veamos eso con los prerrequisitos basicos:
107. Seno y coseno. Recordemos que seno y coseno son relaciones definidas para
~ el seno
un crculo de radio 1: dado un
angulo con uno de sus lados sobre el eje X,
es la longitud del segmento vertical abierto por el
angulo, mientras que el coseno es la
longitud del correspondiente segmento horizontal.
53
A
r
O
y
x
Figura 2.13. sen = y/r, cos = x/r.
El teorema de Pit
agoras dice que en la grafica anterior, x2 +y 2 = 1, lo cual significa
que sen2 + cos2 = 1. Usando tri
angulos semejantes, se puede demostrar que en un
tri
angulo recto, el seno es el cociente entre el cateto opuesto y la hipotenusa, mientras
que el coseno es el cociente entre el cateto adyacente y la hipotenusa.
La propiedad mas importante del producto punto se basa en el teorema de los

cosenos, el cual se basa en la identidad.
108. Coseno de una suma. cos(1 + 2 ) = cos 1 cos 2 sen 1 sen 2 .

Esta identidad puede demostrarse mas luego con ayuda de los n
umeros complejos
y por ahora la utilizaremos para demostrar el teorema de los cosenos el cual es una
generalizacion del teorema de Pitagoras.
109. Teorema de los cosenos. En un tri

angulo cualquiera de lados a, b, c y de
2
angulos opuestos A, B, C siempre se tiene que c = a2 + b2 2ab cos(C).
C
b
A n
h
c
Figura 2.14. Teorema de los cosenos.
54
Demostraci
on. Pongamos a descansar el triangulo sobre el lado c y del vertice opuesto
C bajamos la altura h. La altura separa a c en dos partes, sean m, n tal que c = m + n
y por tanto c2 = m2 + n2 + 2mn o sea que m2 + n2 = c2 2mn. Usando Pitagoras en
los dos triangulos rectangulos resultantes, tenemos:
a2 = m2 + h2
b2 = n2 + h2
Sumando
a2 + b2 = m2 + h2 + n2 + h2 = m2 + n2 + 2h2 = c2 2mn + 2h2 = c2 + 2(h2 mn)
Es decir, c2 = a2 + b2 2(h2 mn).
Por otro lado, el angulo C es dividido por h en dos partes 1 cuyo lado opuesto
es n y 2 cuyo lado opuesto es m. Aplicando la identidad del coseno de una suma de
angulos tenemos:
cos C = cos(1 + 2 ) = cos 1 cos 2 sen 1 sen 2 .
y leyendo dichos valores en el triangulo resulta:
cos C = cos(1 + 2 ) = (h/b)(h/a) (n/b)(m/a) = (1/ab)(h2 mn)
Por lo tanto h2 mn = ab cos C. Si reemplazamos esta igualdad en
c2 = a2 + b2 2(h2 mn),
obtenemos
c2 = a2 + b2 2ab cos C tal como reza el teorema.
110. Teorema. Si en un tri
angulo de lados a, b, c se cumple a2 +b2 = c2 , entonces
dicho tri
angulo es rect
angulo. Este teorema define lo que es un
angulo recto para los
ingenieros.
Demostracion: ejercicio.
Ahora podemos establecer lo que podra ser el teorema central del producto punto,
el que lo relaciona con normas y angulos. Aparentemente, la prueba es valida para el
plano, pero en realidad es valida para R3 , por que?
111. Teorema. ~u ~v = k~ukk~v k cos , donde es el
angulo entre los vectores ~u y ~v .
Demostraci
on. Sea ~u = (u1 , u2 ), ~v = (v1 , v2 ), entonces
~u ~v = u1 v1 + u2 v2
Utilizando el teorema de los cosenos y midiendo el largo de un segmento por medio

de la norma, tenemos:
(v1 , v2 )
~v ~u
~v
(u1 , u2 )
~u
Figura 2.15. Aplicando el teorema de los cosenos.
55
k~u ~v k2 = k~uk2 + k~v k2 2k~ukk~v k cos . Despejando

2k~ukk~v k cos = k~u ~v k2 k~uk2 k~v k2
= k(u1 v1 , u2 v2 )k2 k(u1 , u2 )k2 k(v1 , v2 )k2
= (u1 v1 )2 + (u2 v2 )2 u21 u22 v12 v12
= u21 2u1 v1 + v12 + u22 2u2 v2 + v22 u21 u22 v12 v12
= 2u1 v1 2u2 v2
Resumiendo:
2k~ukk~v k cos = 2u1 v1 2u2 v2
al dividir por 2 se tiene el resultado solicitado.
112. Teorema. Dos vectores no nulos se cortan en
angulo recto ssi su producto
interior es 0. Decimos que los dos vectores son ortogonales.
~u~v ssi ~u ~v = 0
~v
~u
Figura 2.16. Ortogonalidad de vectores.
Demostraci
on. Si los dos vectores se cortan en angulo recto, 90 o /2, su coseno es cero
y, por lo tanto, su producto interno tambien, pues ~u ~v = k~ukk~v k cos . Recprocamente,
si el producto punto es cero y ninguno tiene norma cero, el coseno debe ser cero y por
lo tanto el angulo es recto.
113. Ejercicio + Definici

on Compare las dos definiciones siguientes de perpendicularidad y diga cual es mejor y por que. Dos vectores ~u, ~v , son ortogonales
o perpendiculares, ~u ~v , si se cortan en
angulo recto. O bien, dos vectores son
perpendiculares si su producto punto es cero.
114. Ejercicio Halle los
angulos entre todos los pares de vectores del ejercicio 106.
115. Ejercicio Demuestre que el vector (a, b) siempre es perpendicular al vector
(b, a) y que lo mismo pasa con los vectores (1, m), (1, 1/m).
116. Ejercicio Halle un vector que quede en el segundo cuadrante, que sea de norma
3 y que sea perpendicular al vector (1, 5).
117. Ejercicio Halle un vector en direccion = /6 y que mida 8 unidades.
118. Ejercicio Demuestre que si ~u ~v entonces la perpendicularidad se conserva
aun si estos vectores se alargan o se acortan: ~u ~v .
56
119. Definici
on. Dos vectores son paralelos ssi uno es m
ultiplo escalar del otro.
Es decir, ~u y ~v son paralelos ssi existe un escalar 6= 0 tal que ~u = ~v , o, ~v = ~u.
120. Ejemplo (1, 1) es paralelo con (2, 2) porque el segundo es 2 veces el primero.
Pero (1, 1) y (1, 3) no son paralelos.
~ que relacion hay entre
121. Ejercicio En el plano cartesiano, si ~u ~v y si ~v w,
~u y w?
~ Demuestre su pronostico.
Las propiedades del producto interno sobre Rn se pueden demostrar a partir de
la definicion operacional que hemos dado. Pero para un EV cualquiera, se hace una
definicion por propiedades y a partir de ella se deduce todo. Veamos como se procede.
El producto interno asocia un n
umero a dos vectores. Pero a pesar de que el resultado no es un vector, se le da el nombre de producto porque cumple la ley distributiva.
Tambien cumple otras propiedades listadas en el siguiente teorema, las cuales se toman
como definicion de producto interior en cualquier espacio vectorial real (con escalares
reales).
122. Teorema y ejercicio. El producto interno sobre Rn cumple las siguientes
propiedades, validas para cualquier par de vectores ~u, ~v y para cualquier escalar :
a) Simetra: ~u ~v = ~v ~u.
b)Bihomogeneidad escalar: (~u)~v = (~v ~u) = ~v (~u). Al multiplicar uno cualquiera
de los vectores por un escalar, el producto interno se multiplica por el escalar.
c) Aditividad (distributividad): ~u (~v + w)
~ = ~u ~v + ~u w.
~
d) No negatividad: ~u ~u 0.
e) Inyectividad: si para todo ~v se tiene que ~u ~v = 0 entonces ~u = 0.
Demostraci
on: ejercicio.
123. Definici
on. Se llama producto interno o interior sobre un espacio
vectorial a una funcion que a cada par de vectores le asocia un n
umero real y que
cumple con las propiedades listadas en el teorema anterior, donde ademas aparecen las
propiedades de compatibilidad con la multiplicaci
on por un escalar.
124. Teorema y ejercicio. El producto interior definido sobre un EV arbitrario
cumple con:
a) ~v (~u) = (~v ~u)
b) (~v ) (~u) = 2 (~v ~u)
c) (~v + w)
~ ~u =~v ~u + w
~ ~u
d) La funci
on ~u ~u cumple las propiedades de una norma por lo que podemos
definir ||~u|| = ~u ~u. Si el producto interno en Rn se define de la manera usual, la

norma definida aqu coincide con la que ya se tena.
e) No asociatividad: la expresi
on ~u ~u w
~ tiene al menos dos interpretaciones no
equivalentes.
Demostraci
on: ejercicio.
57
Habamos dicho que los pulsos son importantes en tecnologa digital, pues un pulso
puede interpretarse como un uno y una ausencia de pulso como un cero. Y que con un
tren de pulsos puede transmitirse informacion binaria que es suficiente para transmitir
todo tipo de informacion.
Al definir un pulso, nosotros tomamos el intervalo [0, n), pero que significa eso
tecnologicamente? Que tenemos un reloj que marca el tiempo del sistema y que hemos
tomando n unidades de tiempo. Puede ser que un pulso dure un segundo, un milisegundo, un nanosegundo o un femtosegundo. Entre mas cortos sean los pulsos, mayor
volumen de informacion pueden transmitir pero mas difciles son de hacer y de controlar. Por ejemplo, se pueden utilizar cristales de cuarzo para estabilizar la frecuencia
de los pulsos, pero entre mas alta sea la frecuencia, mas es el estres del cristal y podra llegar a romperse. Esto se debe a que cuando se aplica un voltaje ondulatorio
a un cristal, el cristal vibra mecanicamente, lo cual crea desplazamientos relativos,
tensiones, las cuales pueden dislocarlo. La medida sera entonces disminuir los niveles de potencia, pero si se bajan mucho, quedara la informacion tapada por el ruido
termico, un ruido que se genera debido al calor. Por todo esto, nunca ha dejado de ser
interesante imaginar circuitos cuyos modulos sean atomos o moleculas con modos de
vibracion electronica aislados del movimiento termico (Boylestad y Nashelsky, 1994).
Tratar de acortar un pulso hasta cero crea severos problemas no solo tecnicos sino
tambien matematicos. En las matematicas el tema motivo la definicion de la funcion
delta de Dirac como un pulso de duracion cero pero de altura infinita para que el area
total sea uno. Eso es algo tan escurridizo que su formalizacion correcta tuvo que esperar
hasta casi mediados del siglo XX y se denomina teora de distribuciones o funciones
generalizadas y se estudia como parte del analisis funcional (Yosida, 1978). Demos los
primeros pasos en esa direccion.
Recordemos que Dn es el espacio digital sobre el intervalo [0, n), el generado por los
pulsos Pi que tienen amplitud uno sobre el intervalo [i, i + 1) y cero sobre el resto del
intervalo [0, n). Pero ahora tomamos el intervalo [0, 1) y lo dividimos en n subintervalos
iguales, cerrados por abajo y abiertos por arriba. A esto se le llama una particion
homogenea. Dicha particion induce un espacio digital En sobre [0, 1), el cual es un
espacio vectorial, el del audio digital. Veamos ahora como este espacio tambien tiene
su producto interior y como se relaciona con Dn .
125. Ejercicio Relacione D2 con E2 y D4 con E4 . Decida si la familia Dn es la
misma que En o si al menos son isomorfos como espacios vectoriales.
126. Ejercicio Un elemento cualquiera de En se nota (c1 , c2 , ..., cn ), y el producto
interior entre dos elementos de En , ~c = (c1 , c2 , ..., cn ) y d~ = (d1 , d2 , ..., dn ) es
~c d~ = c1 d1 + c2 d2 + ... + cn dn .
a) Demuestre que nuestra definicion satisface todas las propiedades de producto
interno.
b) Demuestre que el producto interno que hemos definidio en el espacio digital En
puede escribirse como una integral. Escriba la norma de un vector usando la forma
integral del producto interior de En .
c) En tambien es conocido como el conjunto de las funciones escalonadas. Estas
funciones se usan para aproximar a las funciones continuas a trozos que tambien conforman un EV. Demuestre que podemos definir sobre dicho espacio un producto interno,
58
punto o escalar entre dos funciones, f y g, como el lmite cuando n tiende a infinito
del producto interno de las funciones escalonadas que aproximan a f y a g y que dicho
producto interno toma la sencilla forma siguiente:
f g =
f (x)g(x)dx
127. Ejercicio Dibuje algunas funciones que pertenezcan tanto a E16 como a E8 .
Dibuje algunas funciones que pertenezcan a E16 pero no a E8 . Dibuje una funci
on que
no pertenezca a ning
un En y aproxmela, por instinto y sin cargo de conciencia, por
elementos de En .
128. Ejercicio Sea C el conjunto de las funciones continuas definidas sobre el intervalo [0, 1). Atrevase a definir un producto interior en C que respete la relacion entre
C y En .
a) Que relacion hay entre C y En para n grande?
b) Que pasa cuando n tiende a infinito?
129. Ejercicio Sea T el conjunto de las funciones definidas sobre el intervalo [0, 1),
que son continuas a trozos pero con un n
umero finito de discontinuidades. Demuestre
que T es un espacio vectorial. Que relacion hay entre C, T y En para n grande?
Atrevase a definir un producto interior en T que respete su relacion con C y con En .
2.7.
Lneas en el plano
Primero repasaremos la tecnologa mas usual para tratar con lneas en el plano.
Luego desarrollaremos una tecnologa que nos permita tratar con lneas en un espacio
de dimension cualquiera. Nosotros utilizaremos los terminos recta, lnea y lnea recta
como sinonimos.
130. Definici
on. Dos tri
angulos son semejantes si uno de ellos es la ampliacion
del otro. O lo que es lo mismo: dos tri
angulos son semejantes si existen escalas de
medida en las cuales los dos tri
angulos se ven como uno s
olo.
Figura 2.17. Dos triangulos semejantes.
2.7. LINEAS EN EL PLANO
59
131. Teorema. La ampliaci

on de un tri
angulo, la cual alarga los lados, conserva
los
angulos.
Demostraci
on. Supongamos que para obtener el triangulo grande multiplicamos los
lados del peque
no por el escalar . Por el teorema de los cosenos se tiene que para un
angulo cualquiera del triangulo peque
no :
a2 = b2 + c2 2bc cos . Multiplicando esta ecuacion por un escalar 2 tenemos:
2 a2 = 2 b2 + 2 c2 22 bc cos .
lo cual puede reescribirse como
(a)2 = (b)2 + (c)2 2(b)(c) cos .
que representa el teorema de los cosenos para el triangulo grande, pero con el mismo
angulo que el peque
no.
Es decir, los lados del triangulo grande subtienden exactamente los mismos angulos
que el triangulo peque
no.
132. Teorema. Al considerar dos tri
angulos semejantes se tiene que lado uno es
a lado uno del otro tri
angulo como lado dos es a lado dos del otro tri
angulo.
l1
l2
l1
l2
Figura 2.18. Homologa y proporcionalidad.
Demostraci
on. Denotemos como l1 , l2 dos lados del primer triangulo y como l1 , l2 los
dos lados homologos del segundo triangulo. Se tiene:
(lado uno) es a (lado uno prima)
como
(lado dos) es a (lado dos prima).
O en quebrados,
l1 /l2 = l1 /l2
Demostracion:
l1 = kl1
l2 = kl2
Por tanto:
l1 /l2 = kl1 /(kl2 ) = l1 /l2
lo cual implica que
l1 /l1 = l2 /l2
Es bueno aprender a verbalizar esta expresion, por ejemplo: lado uno grande es a
lado uno peque
no como lado dos grande es a lado dos peque
no. Puede ser conveniente
aclarar que en esta verbalizacion, cuando decimos lado grande o lado peque
no realmente
estamos diciendo lo que el lado grande mide o lo que el lado peque
no mide.
60
133. La ecuaci
on de la lnea. Una lnea es un conjunto del plano determinado
por dos puntos y por tri
angulos semejantes. Un tercer punto pertenece a la lnea si
todos los tri
angulos resultantes son semejantes, como en la figura.
Q
X
P
R
Figura 2.19. Triangulos y rectas.

Un punto X, cualquiera, pertenece a la lnea generada por los puntos P y Q si los
triangulos P RX, P SQ son semejantes. Eso implica que las medidas de los segmentos
siguientes son proporcionales:
QS/XR = SP/RP
.
Siempre asumiremos triangulos rectangulos, aunque eso no es absolutamente necesario.
134. Ejemplo
y Q = (1, 1).
Hallemos la ecuaci
on de la lnea que pasa por los puntos P = (0, 0)
Solucion: Saquemos la ecuacion de la recta a partir de triangulos semejantes, pero

hagamos una ligera variante en la grafica, cambiando la posicion relativa del punto
arbitrario (x, y) con respecto a los puntos dados:
Q
P
S
X = (x, y)
R
Figura 2.20. La ecuacion de una recta.

Un punto X de coordenadas (x, y) esta en la lnea que pasa por los puntos P y Q
siempre y cuando los triangulos P XR y P QS sean semejantes, por tanto
XR/QS = RP/SP .
Imaginemos el triangulo sobre el plano cartesiano, P en el origen (0, 0),
Q = (1, 1), S = (1, 0), y X = (x, y) entonces XR = y, RP = 1. Por consiguiente:
y/1 = x/1,
o simplemente
y = x.
2.7. LINEAS EN EL PLANO

135. Ejemplo
y Q = (5, 8).
61
Hallemos la ecuaci
on de la lnea que pasa por los puntos P = (1, 3)
Solucion:
Q = (5, 8)
X = (x, y)
P = (1, 3)
R = (x, 3)
S = (5, 3)
4
Figura 2.21. La ecuacion de una recta que no pasa por el origen.
QS/XR = SP/RP equivale a:
(8 3)/(y 3) = (5 1)/(x 1)
5/(y 3) = 4/(x 1)
reordenando queda:
4(y 3) = 5(x 1)
(y 3) = (5/4)(x 1)
y = (5/4)(x 1) + 3 = (5/4)x 5/4 + 12/4 = (5/4)x + 7/4
que en definitiva nos da:
y = (5/4)x + 7/4.
136. Definici
on. Cuando la ecuaci
on de una recta se ha escrito de la forma
y = mx + b, a m se la llama la pendiente. En el ejemplo anterior la pendiente es 5/4.
Observemos que la pendiente es simplemente cateto opuesto sobre cateto adyacente para
el
angulo situado en P . Al
angulo = Arctg(m) se le llama el angulo de inclinaci
on
de la recta. Si la pendiente es 5/4, el
angulo de inclinaci
on es aproximadamente 51
grados.
Al coeficiente de x cuando y esta despejada se le denomina la pendiente.
137. Teorema. Una lnea es vertical si y s
olo si su ecuaci
on es de la forma x = k.
x=k
Figura 2.22. La ecuacion de una recta vertical.
62
En efecto, pensemos en la ecuacion x = 5. En el plano, dicha ecuacion representa todos los puntos cuyas coordenadas (x, y) cumplen que x = 5. Por ejemplo, los siguientes
puntos estan en dicha lnea: (5, 3), (5, 8), (5, 1) y en general, todos los puntos de la
forma (5, y). Por tanto, todos esos puntos estan sobre la vertical que pasa exactamente
por (5, 0).
138. Teorema y ejercicio. Toda lnea que no es vertical es de la forma y = mx+b
donde m es la pendiente y b es el corte con el eje vertical Y~ . O de otra forma, una
lnea no vertical que pasa por dos puntos (x1 , y1 ), (x2 , y2 ) tiene pendiente
m=
por lo que su ecuaci
on es
y y1 = m(x x1 )
o bien
y y2 = m(x x2 )
y2 y1
x2 x1
Demostraci
on. ejercicio y, por favor, diga exactamente en donde se usa el hecho de
que la recta no sea vertical.
139.
Ejemplo
Hallemos la ecuaci
on de la lnea que pasa por (1, 3) y (5, 6).
Solucion: puesto que y = mx + b reemplazamos x por 1, y por 3 y lo mismo con el

otro punto:
3=m+bb=3m
6 = 5m + b 6 = 5m + 3 m = 4m + 3 m = 3/4 b = 3 3/4 = 9/4.
Por tanto, la ecuacion de la lnea es y = (3/4)x + (9/4).
140. Teorema y ejercicio. La ecuaci
on de una recta cualquiera en el plano es
de la forma ax + by = c, con a, b, c n
umeros reales, es la ecuaci
on est
andar.
on de la lnea que pasa por los puntos:
141. Ejercicio Halle la ecuaci
a) (2, 3) y (5, 1)
b) (2, 4) y (1, 5)
c) (2, 3) y (5, 3)
d) (1, 3) y (1, 6)
e) (1, 2) y (1, 2)
on de la lnea que pasa por el punto dado con la
pendiente dada:
a) (2, 3) y 2
b) (2, 4) y 5
c) (2, 3) y 5
d) (1, 3) y 6
e) (1, 2) y 0
VECTORIAL DE LA LINEA
2.8. ECUACION
63

on de la lnea que tiene la pendiente dada y el corte
con el eje Y dado:
a) 2 y 1
b) 3 y 1
c) y 5
d) 1 y 3
e) 0 y 8
on de la lnea que pasa por el punto dado y el corte
con el eje Y dado:
a) (2, 3) y 8
b) (2, 4) y 3
c) (2, 3) y 4
d) (1, 3) y 3
2.8.
Ecuaci
on vectorial de la lnea
El enfoque que hemos aprendido en la seccion anterior es muy bueno para estudiar
lneas en el plano. Pero la generalizacion de esa metodologa al espacio de tres dimensiones es imposible. Aprendamos ahora una tecnologa que nos permita tratar con
lneas en cualquier dimension, pero empezaremos con lneas en el plano para despues
generalizar.
145. Definici
on. Una lnea que pasa por el origen es simplemente el conjunto
de todos los vectores que resultan de alargar, acortar o reversar un vector dado, o
~ llamado vector director.
lo que es lo mismo, que son m
ultiplos de un vector dado D,
~ = D.
~
Informalmente, una lnea que pasa por el origen es el conjunto de puntos X
~ sobre la
Esto tambien se interpreta como: para ir desde el origen hasta un punto X
~
lnea se camina en la direccion D lo que sea necesario, regulando , hasta llegar al
punto.
6
5
4
3
(2, 3)
2
1
0
-1
-2
-3
-4
(2, 3)
-5
-6
-4
-3
-2
-1
Figura 2.23. Rectas y vectores.
64
Tenemos en escritura matematica:

~ = (x, y) R2 : R, con X
~ = D}
~
L = {X
~ = (x, y) del plano
Esta simbologa se lee as: la lnea L es el conjunto de puntos X
~
para los cuales existe un escalar de manera que se cumple (x, y) = D.
146. Ejemplo Definamos en el plano la lnea L que pasa por el origen y por el
punto (2, 3), es decir, la lnea generada por el vector director (2, 3):
~ = (x, y) R2 : R, tal que se cumple X
~ = (2, 3)}
L = {X
~ del plano tal que
lo cual lo leemos como: la lnea L es el conjunto de puntos X
existe un escalar tal que se cumple (x, y) = (2, 3) = (2, 3). Como la igualdad
tiene sentido, coordenada por coordenada, se tiene:
x = 2
y = 3
Si despejamos de la primera ecuacion x/2 = mientras que de la segunda y/3 = .
Igualando x/2 = y/3 la ecuacion de la lnea es y = (3/2)x que tambien se escribe
y (3/2)x = 0.
147. Teorema y ejercicio. El eje Y es una lnea que tiene como ecuaci
on x = 0.
Todas las dem
as lneas del plano que pasan por el origen son de la forma y = mx,
las cuales pasan tambien por el punto (1, m) formando un segmento cuyo angulo de
inclinaci
on con la horizontal tiene como tangente m y por eso la pendiente es m.
Demostraci
on: ejercicio.
Ahora, pasemos a considerar lneas del plano que no pasan por el origen. Nuestro
punto de partida puede entenderse perfectamente si consideramos la recta y = 3x + 1.
Tomamos primero dos puntos arbitrarios sobre la lnea. Si x = 0, y = 1 nos da el
primer punto P (0, 1), y si x = 1, y = 4 nos da el segundo punto Q(1, 4).
Q
b
P
b
~
D
Figura 2.24. El segmento dirigido P Q genera una lnea. Este segmento se representa
~ Cualquier segmento dirigido P X es un m
por el vector D.
ultiplo escalar del vector
director D.
2.8. ECUACION
65
Ahora analizamos el vector que empieza en P y termina en Q. Restamos los dos

~ P~ = (1, 4) (0, 1) = (1, 3) que corresponde
puntos, considerados como vectores Q
bien con la pendiente de 3 de la recta, si se avanza una unidad en sentido horizontal, se
avanza 3 en sentido vertical. A este vector lo llamamos el vector director de la lnea
~ = (1, 3).
y lo notamos D
Tomemos ahora otros dos puntos arbitrarios sobre la lnea, si los restamos, el resultado siempre es un m
ultiplo del vector director. Algunos ejemplos:
~ R
~ = (3, 10) (2, 7) = (1, 3) = D.
~
a) R(2, 7), S = (3, 10), S
~ R
~ = (3, 10) (1, 4) = (2, 6) = 2(1, 3) = 2D.
~
b) R(1, 4), S = (3, 10), S
~ R
~ = (7, 22) (1, 2) = (8, 24) = 8(1, 3) = 8D.
~
c)R(1, 2), S = (7, 22), S
~ R
~ = (b, 3b + 1) (a, 3a + 1)
d)R(a, 3a + 1), S = (b, 3b + 1), S
~
= (ba, 3b+1(3a+1)) = (ba, 3b3a) = (ba)(1, 3) = (ba)D.
~ es un
148. Definici
on. Una lnea que pasa por P y tiene vector director D
~ tales que el segmento que parte desde P y llega hasta la cabeza
conjunto de vectores X
~
~ Es decir X
~ P~ = D.
~
de X es un m
ultiplo del vector director D.
149. Teorema inmediato. Una lnea en el plano que pasa por el punto P y con
~ es el conjunto de los puntos X
~ de la forma X
~ = P~ + D.
~ Es decir,
vector director D
~
~
si desea llegar a un punto X de la lnea, llegue desde el origen hasta P sobre ella y
despues quiebre en la direccion del vector director y siga en esa direccion hasta que
encuentre el punto buscado.
150. Ejemplo Hallemos la ecuaci

on de la lnea que pasa por (1, 4) y tiene el vector
director (2, 3).
7
6
5
4
X
D
(1, 4)
b
~ = (2, 3)
D
b
3
2
1
0
-1
-2
-3
-4
-3
-2
-1
Figura 2.25. Lnea que no pasa por el origen.
66
~ llegue primero a (1, 4) y quiebre despues en la direccion (2, 3) y

Para llegar a X
~
camine lo que sea necesario regulando hasta llegar a X:
~ = (x, y) = (1, 4) + (2, 3) = (1 + 2, 4 + 3).
X
Igualando coordenada por coordenada tenemos:
x = 1 + 2
y = 4 + 3.
Multiplicando la primera ecuacion por 3 y la segunda por 2 y despues restando:
3x 2y = 3 8 o sea 3x 2y = 5 es una lnea con pendiente 3/2, es la misma
pendiente de la lnea que pasa por (0, 0) y tiene vector director (2, 3), pues tal lnea
tiene como ecuacion a 3x2y = 0, y si x = 2, queda y = 3, o sea que pasa por cero-cero
y luego por (2, 3), lo cual da su vector director.
En general, un punto P (x, y) estara en la lnea que pasa por Po (xo , yo ) y en direccion
~ si el segmento Po P es paralelo al vector D,
~ esto es, si existe R tal que
del vector D
~
Po P = D, lo cual tambien se escribe como
(x xo , y yo ) = (a, b)
que da el sistema de ecuaciones
x xo = a
y yo = b
que en forma vectorial se escribe como

x
y
xo
yo
a
b
o bien
~ = Po + D
~
X
.
151. Definici
on. Dos lneas en el plano son paralelas si nunca se cortan.
152. Teorema y ejercicio. Dos lneas en el plano son paralelas ssi llevan la
misma direccion o, mejor dicho, si sus vectores directores son paralelos.
Demostraci
on: ejercicio.
El siguiente teorema es una repeticion, pero lo dejamos aqu para poder hacer su
demostracion a partir de la ecuacion vectorial de la lnea.
153. Teorema. Toda lnea en el plano cartesiano es de la forma x = k o
y = mx + b. El termino b es el corte con el eje Y, pues cuando x = 0, y = b. Como y = mx + b es lo mismo que mx y = b, y el otro caso es x = k, la forma general
de una lnea es ax + by = c.
2.8. ECUACION
67
Demostraci
on. Las lneas verticales que pasan por el origen todas cumplen la ecuacion
x = 0. Si son verticales y pasan por el punto (k, 0) cumplen la ecuacion x = k. Las
lneas verticales tienen a (0, 1) como vector director. Si el vector director de otra lnea
no es paralelo a (0, 1), entonces es de la forma (c, d) con c 6= 0. Ella pasa por un punto
cualquiera P = (h, k). Por lo tanto, un punto cualquiera (x, y) sobre la lnea cumple:
~ = (x, y) L ssi R tal que (x h, y k) = (c, d) = (c, d). Igualando
X
coordenadas
x h = c
y k = d
Multiplicando la primera ecuacion por d y la segunda por c y despues restando:
dx cy dh + ck = 0 o sea dx cy = dh ck.
Despejando queda y = (d/c)x (dh ck)/c que es de la forma y = mx + b
con pendiente m = d/c, que tiene sentido pues c 6= 0. El corte con el eje Y es
b = (dh ck)/c. Esta lnea tiene la misma pendiente de la lnea que pasa por (0, 0)
con vector director (c, d).
154. Teorema y ejercicio. Todas las lneas verticales son paralelas. Si dos lneas
no son verticales, ellas son paralelas si tienen la misma pendiente. Por ejemplo, la
lnea y = 3x + 1 es paralela a la lnea y = 3x + 7 pero ninguna de ellas es paralela a
y = 2x 4.
Demostraci
on: ejercicio.
on de la lnea que:
a) Pasa por los puntos (1, 1), (3, 2)
b) Es paralela a la lnea dada en el inciso a) y pasa por (7, 5)
c) Es paralela a la lnea dada en el inciso a) pero corta al eje Y~ en 5.
~ en 8.
d) Es paralela a la lnea dada en el inciso a) pero corta al eje X
e) Es paralela a la lnea dada en el inciso a), queda arriba de esta y guarda una
distancia vertical de 5 unidades con dicha lnea.
f) Equidista de los puntos (1, 1) y (3, 2).
156. Definici
on. Dos lneas son perpendiculares si se cortan formando cuatro
angulos iguales. Cualquiera de los
angulos se llama a
ngulo recto y su medida en
grados es 90 y en radianes /2.
68
157. Teorema. Dos lneas son perpendiculares ssi sus vectores directores son
ortogonales. Ejemplo, el eje X es perpendicular al eje Y porque sus vectores directores
son (0, 1), (1, 0) cuyo producto punto da cero.
Demostraci
on: ejercicio.
158. Teorema y ejercicio. Dos rectas de la forma y = mx+b son perpendiculares
ssi el producto de sus pendientes es 1.
Demostraci
on: ejercicio.
2.9.
Proyecciones
Pasamos ahora a calcular la sombra de un vector ~u sobre otro ~v , donde imaginamos

que la sombra es causada por el Sol del medio da, es decir, que la sombra proyectada
por el vector ~u sobre otro ~v genera un angulo recto con el piso donde cae. El nombre
oficial para la sombra es proyecci
on:
~u
~u
~u
~v
~v
~v
~v
~v
~v
Figura 2.26. La sombra de ~u sobre ~v es el vector rete

nido ~v .
Observese que la sombra de ~u sobre ~v es un acortamiento o alargamiento de ~v
que puede estar en el mismo sentido o en sentido contrario, pero siempre en la misma
direccion de ~v . Esto significa que la sombra es un m
ultiplo escalar de ~v .
159. Definici
on. Sea el vector ~u, cuya cabeza es el punto U, y sea ~v otro vector.
La proyecci
on de ~u sobre ~v , ver figura anterior, es el vector P roy~v (~u), con cabeza en
P, y que es m
ultiplo del vector donde cae la proyeccion, i.e. P roy~v (~u) = ~v , tal que el
origen, U y P definen un tri
angulo rect
angulo en P .
160. Teorema y ejercicio. La proyeccion o sombra de un vector ~u sobre un
vector ~v es P roy~v (~u) = ~v , donde = (~u ~v )/(~v ~v ).
U
~u
~v
~h
P
Sombra = ~v
Figura 2.27. La proyeccion o sombra de ~u sobre ~v .
2.9. PROYECCIONES
69
Hagamos dos pruebas de este teorema, una que trabaja con segmentos y otra que
se basa en vectores.
Prueba 1. Como estamos en un triangulo rectangulo y necesitamos determinar un
cateto adyacente, decimos, cateto adyacente (la proyeccion) es igual a hipotenusa (el
vector ~u) por el coseno del angulo entre la hipotenusa y el cateto adyacente. El coseno
lo podemos reemplazar del producto punto para obtener:
||Proy~v (~u)|| = cos ||~u||.
Observese que esta igualdad es entre normas o magnitudes de vectores. Pero ademas
~u ~v = ||~u||||~v || cos
por lo que
~v
cos = ||~u~u||||~
v ||
y entonces
~v
||Proy~v (~u)|| = ||~u~u||||~
||~u||
v ||
Por otra parte, la proyeccion es un vector. Esto quiere decir que tiene direccion, la
cual esta dada por ~v /||~v ||, el cual es un vector unitario en la direccion de ~v . Entonces,
Proy~v (~u) = ||Proy~v (~u)|| ||~~vv||
Reemplazando, simplificando y recordando que ||~v ||2 = ~v ~v obtenemos la respuesta
(ejercicio).
Prueba 2. El punto U es la cabeza de ~u y P la de la Proy~v (~u) = ~v . Sea ~h el
segmento P U . Tenemos:
~u =Proy~v (~u) + ~h = ~v + ~h
~h = ~u ~v
Como el origen O, junto con U y P forman un triangulo rectangulo, el vector
OP = ~v debe ser perpendicular a P U que se representa por el vector ~h (que en
realidad sale del origen y es paralelo a P U ); i.e.:
~h ~u = 0
(~u ~v ) ~v = 0
Como vimos en el teorema 122, el producto punto se llama producto porque distribuye a la suma:
~a (~b + ~c) = ~a ~b + ~a ~c.
Aplicando esta propiedad a la ecuacion anterior tenemos
~u ~v ~v ~v = 0
~u ~v = ~v ~v
por tanto
= (~u ~v )/(~v ~v )
y por consiguiente
~v
Proy~v (~u) = [ ~~uv~
]~v = ||~~uv~||v2 ~v
v
161. Ejercicio y definici
on Demuestre que Proy~v (~u) =
~u ~v ~v
.
||~v || ||~v ||
~u ~v
se le llama la componente del vector ~u sobre ~v y se nota
||~v ||
Comp~v ~u. Por lo que
Proy~v (~u) = (Comp~v ~u) ||~~vv|| .
Al escalar
70
Lo cual nos dice que el vector Proy~v (~u) es un vector en la direccion de ~v . La componente es u
til para calcular la magnitud del vector proyeccion, pues basta con calcular
el valor absoluto de la componente. Demuestre que
u~v |
||Proy~v (~u)|| = |Comp~v ~u| = |~||~
.
v ||
162. Ejemplo Calculemos la proyeccion de ~u = (1, 3) sobre ~v = (1, 1) y tambien
su norma:
Utilizando la f
ormula
~u ~v
~u ~v
Proy~v (~u) = [
]~v =
~v
~v ~v
||~v ||2
tenemos:
Proy(1,1) ((1, 3)) = [((1, 3) (1, 1))/((1, 1) (1, 1))](1, 1)
Proy(1,1) ((1, 3)) = [(1 + 3)/(1 +1)](1, 1) = 2(1, 1) = (2, 2).
La norma de la proyeccion es 8, la cual tambien puede calcularse por el metodo
de la componente:
u~v |
||Proy~v (~u)|| = |Comp~v ~u| = |~||~
v ||
lo que nos da:
||Proy~v (~u)|| = |(1, 3) (1, 1)|/ 2 = 4/ 2 = 2 2 = 8.

163. Ejercicio Calcule la proyeccion del primer vector sobre el segundo y la norma
correspondiente en cada uno de los siguientes casos. Utilice el metodo de la componente
para la norma:
a) (1, 2), (3, 3/2)
b) (1, 4), (5, 1)
c) (1, 6), (3, 3)
d) (1, 5), (3, 4)
e) (1, 2), (3, 5).
164. Ejercicio Demuestre que
Proy~v (~u1 + ~u2 ) =Proy~v (~u1 )+Proy~v (~u2 )
Proy~v (~u) = Proy~v (~u).
ue (de un contraejemplo si es falso o pruebe si es verdadero)
165. Ejercicio Averig
si se cumple que
a) Proy~v1 +~v2 (~u) =Proy~v1 (~u)+Proy~v2 (~u)
b)Proy~v (~u) = Proy~v (~u).
Como en la proyeccion que hemos definido, cada punto se proyecta en angulo recto,
la proyeccion es u
til para calcular distancias, en algunos casos, su uso se optimiza con
la ayuda de la componente.
166.
Ejemplo
Encontremos la distancia d del punto U (1, 3) a la lnea y = x.
2.9. PROYECCIONES
71
U
d
y=x
P
~u
~v
~v
Figura 2.28. La distancia de U a la lnea y = x es la magnitud del segmento

rete
nido, que podemos hallar usando la componente.
Observemos
que
p
d = ||~u||2 |Compv
(u)|2
pero |Compv (u)| = 4/ 2
luego
d = 10 8 = 2.
167. Ejercicio Encuentre la distancia del punto a la lnea, dado:
a) y = x, (2, 0)
b) y = 3x + 1, (1, 2)
c) y 3x = 3, (2, 3)
d) y 4x = 2, (1, 0)
e) 3x 7y = 5, (4, 5)
f ) 3x + 2y = 1, (1, 1).
168. Ejercicio Encuentre la ecuaci
on de la recta que est
a por arriba de la recta
dada (las dos rectas son paralelas) y, ademas, a k unidades por encima de esta, si
a) Recta: y = x, k = 5
b) Recta: y = 2x + 1, k = 6
c) Recta: y = 3x + 4, k = 7
d) Recta: y = 7x 8, k = 8
Todo lo que hemos hecho ha sido desarrollado para el plano. Algunas cosas tienen
interpretacion directa en el espacio tridimensional, pero para dimensiones superiores,
uno debe comenzar con definiciones del siguiente estilo:
169. Definici
on. En cualquier EV, definimos la recta que pasa por la cabeza de
~ como el conjunto de vectores de la forma X
~ = P~ + D
~
P~ y que tiene vector director D
para R.
Si en el EV tambien se ha definido un producto interior, entonces podemos definir
la componente de un vector a lo largo de otro y la proyeccion.
La componente del vector ~u sobre ~v se nota Comp~v ~u y se define como
72

~u~v
Comp~v ~u = ||~
v || .
Y a la proyeccion de ~u sobre ~v se nota y se define como
Proy~v (~u) =Comp~v ~u ||~~vv || .

Uno podra pensar que los EV de muchas dimensiones, aun infinitas, son arte puro.
En realidad, son muy usuales. Demostremoslo haciendo una peque
na referencia a la
sntesis y percepcion del sonido.
170. Ejercicio para el profesor a) Por pura intuici
on, y como un buen ejercicio,
tome la funcion f (x) = sen x, sobre [0, 2) y aproxmela por elementos de los espacios
digitales D4 , D8 , D16 .
b) Sea T el espacio vectorial de funciones continuas a trozos sobre [0, 2). Defina
el producto interior sobre T como una integral.
c) Halle rigurosamente la proyeccion de f sobre D4 , D8 , D16 y compare los resultados con las aproximaciones obtenidas en a). Recordemos que un espacio digital se
construye a partir de los pulsos definidos sobre un intervalo dado.
d) Rigurosamente, que debe entenderse por digitalizaci
on del sonido, es decir, ondas sonoras registradas electricamente, que a la larga no son mas que funciones de R
en R?
171. Ejercicio de investigaci
on Definir las funciones periodicas, probar que forman un espacio vectorial, proveerlo de un producto interior. Demostrar que los senos
sen(mx) y los cosenos cos(mx) forman una base infinita de dicho espacio, cuyos elementos son todos mutuamente perpendiculares. Atrevase a decir cual podr
a ser el fundamento matematico de un sintetizador sinusoidal lineal de sonido. Trate de explicar
por que los sintetizadores de sonido digitales, que operan sobre pulsos, y los espacios
vectoriales que ellos generan, Dn o En , les han ganado a los sinusoidales en el mercado
del sonido electr
onico (Beauchamp, 2007). (En realidad, hay una variante de los sintetizadores sinusoidales que hace la sntesis de sonido modulando la frecuencia y estos
s han resultado competitivos y muy profesionales).
2.10.
Traslaciones
172. Definici
on. Una traslaci
on no es mas que sumar un vector fijo.
173. Ejemplo El punto (1, 2) trasladado (1, 1) se convierte en (2, 1), pues
(1, 2) + (1, 1) = (2, 1).
(1, 2)
(2, 1)
(1, 1)
Figura 2.29. El punto (1, 2) trasladado (1, 1) se convierte en (2, 1).
2.10. TRASLACIONES
174.
Ejemplo
73
Traslacion de una circunferencia.
Una circunferencia centrada en cualquier parte C = (h, k) es una circunferencia

centrada en el origen (0, 0) y trasladada el vector C. En efecto, una circunferencia que
pasa por el origen tiene como ecuacion x2 + y 2 = r2 .
(3,1)
Figura 2.30. Una circunferencia centrada en cero fue trasladada (3, 1).
Si la trasladamos el vector C, queda una circunferencia centrada en C, cuyos puntos
tienen como coordenadas (w, z). Podemos hallar la ecuacion de dicha circunferencia
midiendo distancias. Pero hay otro metodo: las coordenadas (w, z) son tales que al
antitrasladarlas al origen, quedaran sobre la circunferencia centrada en el origen y
cumpliran la ecuacion de dicha circunferencia. Antitrasladarla equivale a restar (h, k),
o sea el punto (w, z) se transforma en (w h, z k). Estas nuevas coordenadas cumplen
la ecuacion de la circunferencia que pasa por el origen:
(w h)2 + (z k)2 = r2
o cambiando de nombre a las variables queda como es usual
(x h)2 + (y k)2 = r2 .
175. Ejercicio Demuestre que una esfera centrada en cualquier parte C = (h, k, l)
es una esfera centrada en el origen (0, 0, 0) y trasladada el vector C.
La tecnologa que hemos aplicado a las traslaciones es una parte especial de otra
mas general y de la cual presentamos otra aplicacion. Imaginemos que encima del plano
esta superpuesto otro de caucho y que sobre el hemos dibujado una circunferencia con
radio 1 y centro en el origen. Estiremos el caucho horizontalmente a veces. Instintivamente sabemos que resulta una elipse. Veamos ahora como se prueba que en verdad lo
es. Un punto arbitrario (x, y) sobre la supuesta elipse al ser encogido horizontalmente
a veces se transforma en un punto de la circunferencia unitaria. Por lo tanto, cumple
la ecuacion de dicha figura:
(x/a)2 + y 2 = 1, la cual es una elipse.
176. Ejercicio Repetir el razonamiento anterior cuando el caucho se estira
a) en el sentido vertical u
nicamente b unidades.
b) horizontalmente a unidades y verticalmente b unidades.
74
177. Ejercicio Demuestre que una lnea cualquiera es una traslacion de una lnea
que pasa por el origen.
178. Ejercicio Demuestre que una lnea cualquiera es invariante (queda igual) ante
una traslacion adecuada. Halle una relacion entre el vector traslacion y el vector director de la lnea dada.
2.11.
Sistemas 2 2
Con la geometra que hemos visto podemos ya entender el significado de la cantidad

de soluciones de un sistema de ecuaciones lineales (que se pueden representar con
matrices) cuando dicho sistema tiene 2 incognitas.
Si son dos ecuaciones con dos incognitas, cada ecuacion representa una lnea.
Y
Y
Y
Figura 2.31. Un sistema 2 2 representa un par de lneas, las cuales pueden

cortarse en un punto (izquierda), o ser paralelas y nunca cortarse (centro) o coincidir
y tener todos los puntos en com
un (derecha).
Un par de lneas puede constar de: a) dos lneas que tienen pendiente diferente y
que por lo tanto se cortan en un punto, dando una solucion u
nica; b) dos lneas que
tienen igual pendiente pero que no son la misma lnea, en ese caso no hay solucion; o
c) dos lneas que son la misma, es decir, todos los puntos de la una pertenecen a la otra
y tenemos un n
umero infinito de soluciones. Con un poco mas de precision, cuando las
dos lneas coinciden se dice que hay un n
umero infinito de soluciones con un grado de
libertad, lo cual quiere decir que podemos andar por la lnea solucion para adelante o
para atras.
Que significa en terminos practicos que la solucion a un sistema 2 2 sea u
nica?
Algo muy practico es alimentarse bien, imaginemos que solo necesitaramos gl
ucidos
o harinas que vienen en la papa y protenas que vienen en la carne y los cereales.
Gl
ucidos y protenas deben combinarse en determinadas proporciones y cantidades
seg
un la edad y la actividad. Podemos usar dos tipos de alimentos para llenar los
requerimientos, el uno rico en protenas y el otro rico en gl
ucidos. En general, tendremos
un sistema 2 2 con una u
nica solucion, es decir, representado por dos lneas que se
cortan. La unicidad de la solucion significa lo que la mama no puede alimentar al ni
no
2.11. SISTEMAS 2 2
75
con lo que le venga en gana, sino que debe estudiar algo sobre dietetica para combinar
correctamente los alimentos. De igual modo, las autoridades no pueden dejar que los
restaurantes alimenten a sus clientes con lo mas barato de la temporada. Debe hacer
una prescripcion que refleje un adecuado balance de los diferentes elementos requeridos
y cobrar exageradas multas a quien no haga bien las cosas.
Y que significara el caso de un sistema 2 2 que represente dos lneas paralelas
que son la misma lnea? Puede tratarse de llenar los requerimientos de gl
ucidos y de
nada mas tomando dos alimentos ricos en gl
ucidos, digamos arroz y papa. Con el deseo
de mejorar el buen gusto se puede intercambiar caprichosamente lo uno por lo otro si
de lo u
nico que se trata es de llenar los requerimientos de gl
ucidos, digamos para la
comida de la noche, una comida liviana.
Es improbable que se de el caso de productos naturales que conlleven a un sistema
que corresponda a dos lneas que son diferentes pero paralelas y sin puntos comunes,
sin solucion. Sera mas plausible en tecnologa de alimentos sinteticos y correspondera
a tomar dos productos que tengan el uno, digamos, una proporcion de gl
ucidos del
20 % y que sea igual a la proporcion de protenas, y el otro producto, una proporcion de gl
ucidos del 30 % igual a la de protenas. Son productos de valor dietetico no
diferenciado, seguramente no tendran mercado.
179. Ejercicio Invente un significado en la industria que sea de acuerdo con su
carrera para un sistema 2 2 representado por dos lneas paralelas distintas, otro por
dos lneas que se cortan en un u
nico punto y otro por dos lneas que coinciden.
180.
Ejemplo
Resolvamos el sistema:

2x + 3y = 5
4x + 6y = 10
Dividiendo la segunda ecuacion por 2 encontramos la primera. Por lo tanto, se trata

de dos lneas superpuestas, todos los puntos de una de ellas son solucion de la primera
ecuacion y por ende de la segunda. Hay infinitas soluciones de la forma (x, (5 2x)/3)
con un grado de libertad, es decir, con un parametro libre, la x, en vez de x puede
ponerse cualquier n
umero y se tiene una solucion. Por ejemplo, con x = 1 tenemos la
solucion x = 1, y = 1. Con x = 25 tenemos la solucion particular x = 25, y = 15.
Cuando uno tiene una solucion con uno o mas parametros libres, cuando todos se
reemplazan por n
umeros, da una solucion especfica que se llama soluci
on particular.
Por ejemplo; (1,1) es una solucion particular al sistema dado.
181. Ejercicio Considere las 5 ecuaciones siguientes. Estudie 5 sistemas 2 2
generados por varios pares de ellas. Interprete la cantidad de soluciones en terminos
geometricos. Aseg
urese de encontrar los 3 casos posibles. Las lneas son:
a) 2x 3y = 5
b) 2x + 3y = 3
76
c) 3x 2y = 3
d) 4x 6y = 10
e) 6x 4y = 7.
182. Ejercicio Trace 5 lneas sobre el plano cartesiano, por lo menos dos paralelas entre ellas. Halle la ecuaci
on de cada lnea. Tome algunos pares de esas lneas,
prediciendo la cantidad de soluciones de cada sistema correspondiente. Verifique algebraicamente su pronostico.
183. Ejercicio Una industria necesita varios tipos de materias primas para poder
hacer sus productos. Consideremos tan s
olo un producto con dos tipos de materia prima
P 1 y P 2 que tienen dos tipos de componentes C1 y C2. La materia prima P 1 tiene
el 10 % del componente C1 y el 1 % del componente C2 que se necesita para hacer
una unidad del producto. La materia prima P 2 tiene el 40 % del componente C1 y
material sustituto de componente C2 en equivalente al 5 % de los requerimientos para
hacer una unidad de producto. Cuantas unidades de cada materia prima se necesitan
para hacer un pedido de 300 unidades del producto? Demuestre geometricamente que
nuestro problema tiene una solucion u
nica.
2.12.
Planos
184. Advertencia. El contenido de verdad de las proposiciones depende del contexto

que se le de al discurso. As por ejemplo, la ecuaci
on x = 0 es una expresi
on que no
significa nada. Pero esa ecuaci
on adquiere significado si uno especifica en que espacio
est
a. Si decimos x = 0 en R, estamos diciendo que nos referimos a los puntos de la recta
real con coordenada 0. No hay mas que un punto en la recta real que satisface dicha
ecuaci
on y es el origen. Pero x = 0 en el plano R2 es una ecuaci
on que se satisface por
todos los puntos P (x, y) cuya primera coordenada es cero, es decir, todos los puntos de
la forma (0, y) como (0, 0), (0, 1), (0, 10), (0, 8). Vemos que todos estos puntos est
an
3
alineados sobre el eje Y y, por lo tanto, forman una lnea. En cambio en R la ecuaci
on
x = 0 representa todos los puntos (x, y, z) tales que su primera coordenada es cero, o
sea (0, y, z) como por ejemplo (0, 0, 0), (0, 1, 3), (0, 1, 7), (0, 10, 4),(0, 10, 5), (0, 8, 7).
En general, una lnea en el plano 2D (dos dimensiones) es de la forma ax + by = c,
pero la ecuaci
on ax + by + cz = d no es una lnea en 3D (tres dimensiones) sino que
es un plano. En particular, ax + by = c representa en 3D el plano ax + by + 0z = c.
Todo esto vamos a probarlo ahora mismo.
Hay varias maneras de determinar un plano y una de ellas es la siguiente: un
plano esta determinado por un punto, donde pasa el plano, y por un vector que es
perpendicular al plano y se llama el vector normal del plano. En la siguiente definicion
continuamos usando la equivalencia entre un vector (una flecha) y su cabeza (un punto),
a tal grado que intercambiamos lo uno con lo otro. En el ejemplo que sigue y en adelante
usamos dos notaciones equivalentes para un punto que son P = (x, y, z) y P (x, y, z).
Tambien adoptamos la misma equivalencia de notaciones para vectores.
2.12. PLANOS
77
~ tales que el segmento

185. Definici
on. Un plano es un conjunto de puntos X
~
~
que une el punto X a un punto fijo P es perpendicular a un vector fijo llamado vector
~ . Por tanto, un plano cumple la ecuaci
~ P~ ) N
~ = 0. En un
normal al plano N
on (X
ejemplo puede entenderse todo.
~
N
Figura 2.32. Un plano en R3 .

186. Ejemplo Determinemos la ecuaci
on del plano que pasa por el punto P~ (1, 2, 3)
~ (4, 5, 6).
y que tiene como vector normal al vector N
~
Primero designamos un punto cualquiera del espacio como X(x,
y, z), el cual ademas
representa al vector que sale del origen y llega a ese punto. Hay puntos del espacio que
no pertenecen al plano pero hay otros que s estan en el plano. La condicion para que
(x, y, z) este en el plano es que el segmento que va desde (1, 2, 3) al punto (x, y, z) sea
perpendicular al vector (4, 5, 6). El segmento que va desde (1, 2, 3) al punto (x, y, z) es
simplemente (x 1, y 2, z 3).
Ahora bien, este vector debe ser perpendicular al vector normal (4, 5, 6), por lo que
realizando el producto punto y luego expandiendo:
(x 1, y 2, z 3) (4, 5, 6) = 0
4(x 1) + 5(y 2) + 6(z 3) = 0
4x + 5y + 6z = 4 + 10 + 18 = 32, la cual es la ecuacion requerida.
En general, y teniendo en mente la misma figura, tomamos P~ de coordenadas
~ (a, b, c) y un punto arbitrario X(x,
~
P~ (xo , yo , zo ), N
y, z). De la ecuacion
~
~
~
(X P ) N = 0
se tiene:
(x xo , y yo , z zo ) (a, b, c) = 0
o bien
a(x xo ) + b(y yo ) + c(z zo ) = 0
que es la ecuacion del plano que pasa por P~ (xo , yo , zo ) y cuyo vector normal es
~ (a, b, c). Esta ecuacion es equivalente a
N
ax + by + cz = axo + byo + czo ,
o bien,
ax + by + cz = d con d = axo + byo + czo .
78
A veces es muy conveniente poder visualizar un plano, al menos en la mente. Una

manera comoda de lograrlo es encontrar los cortes del plano con cada uno de los tres
ejes.
187. Ejercicio Observando que el eje X cumple con las ecuaciones y = 0 y z = 0,
hallar el corte del plano hallado anteriormente, 4x + 5y + 6z = 32, con el eje X. Repita
lo mismo con los otros dos ejes. As se hallan tres puntos que tambien determinan el
plano (por que?). Bosqueje un dibujo que indique el tri
angulo formado por los tres
puntos.
188. Ejemplo Demostremos que z = 0 es un plano. Geometricamente esto es obvio,
pues z = 0 es una condici
on cumplida por todos los puntos del piso del espacio 3D,
el cual es un plano. La demostraci
on algebraica consiste en demostrar que existe un
~
vector fijo, N , que es perpendicular a todos los segmentos del plano. Procedamos:
z = 0 puede reescribirse como 0(x 0) + 0(y 0) + 1(z 0) = 0, lo cual en lenguaje
de perpendicularidad se lee: (0, 0, 1) (x 0, y 0, z 0) = 0, es decir, el vector fijo
~ = (0, 0, 1) es perpendicular a todo segmento que empieza en (x, y, z) y termina en
N
(0, 0, 0).
189. Ejemplo Demostremos que 2x + 4y 6z = 7 es un plano. Tenemos que
~ , que es perpendicular a todos los segmentos del
demostrar que existe un vector fijo, N
plano. Procedamos:
2x + 4y 6z = 7 = puede reescribirse como
2(x a) + 4(y b) 6(z c) = 7 2a 4b + 6c
donde hemos rellenado la expresion, a ambos lados, para que pueda releerse en el
lenguaje de la perpendicularidad: (2, 4, 6) (x a, y b, z c) = 0 = 7 2a 4b + 6c,
~ = (2, 4, 6) es perpendicular a todo segmento que empieza en
o sea el vector fijo N
(x, y, z) y termina en (a, b, c). Pero para lograr esto tenemos que resolver
0 = 7 2a 4b + 6c.
Esta es una ecuacion con 3 incognitas. Damos a a el valor 0, a b el valor 0 y por
tanto c toma el valor 7/6. Vemos que hay 2 grados de libertad: a a y a b se les puede
dar el valor que queramos que el de c siempre puede hallarse. Que significa esto?
Que estamos buscando un punto en donde anclar al plano. Y ese punto puede anclarse
en cualquier parte del plano, el cual tiene dos grados de libertad (adelante-atras vs.
izquierda-derecha).
190. Ejercicio Halle el vector normal a cada uno de los planos siguientes x = 0,
y = 0, z = 0, x = 1, x = 2, x = 3, y = 1, z = 3. Describa y dibuje dichos planos
con referencia a un sistema de ejes (en el sal
on de clase).
191. Ejercicio Hallar las ecuaciones de algunos planos.
a) Halle el plano que pasa por (1, 2, 3) y que tiene por vector normal a (1, 0, 5).
b) Halle el plano que pasa por (0, 2, 3) y que tiene por vector normal a (3, 2, 7).
2.12. PLANOS
79
c) Halle el plano que pasa por (1, 4, 3) y que tiene por vector normal a (6, 3, 8).
d) Halle el plano que equidista de los puntos P (1, 1, 1) y Q(2, 3, 5).
e) Halle la ecuacion del plano que esta por encima del plano x + y + z = 1 y que
esta exactamente a 5 unidades de distancia de este.
192. Ejemplo
y R(1, 0, 0).
Hallemos el plano determinado por los puntos P(0, 0, 1), Q(0, 1, 0)
Puesto que todo plano es de la forma ax + by + cz = d, reemplazamos los puntos

en la ecuacion, obtenemos 3 ecuaciones, una por cada punto y 4 incognitas a, b, c, d.
Esto quiere decir que hay un grado de libertad, lo cual significa que el vector normal
puede acortarse, alargarse, reversarse y, sin embargo, el resultado tambien es otro vector
normal al plano dado.
Reemplazando (1, 0, 0) en ax + by + cz = d queda a = d
Reemplazando (0, 1, 0) en ax + by + cz = d queda b = d
Reemplazando (0, 0, 1) en ax + by + cz = d queda c = d
La ecuacion sera entonces dx + dy + dz = d. Pero d no puede ser cero pues nos
quedara la ecuacion 0 = 0 que no dice nada. Dividiendo por d obtenemos: x+y +z = 1.
193. Ejercicio Halle el plano determinado por los 3 puntos:
a) (1, 0, 0), (1, 2, 3), (1, 5, 6)
b) (0, 1, 3), (2, 1, 5), (4, 2, 1)
c) (1, 2, 1), (1, 2, 1), (1, 0, 1)
d) (5, 0, 0), (4, 0, 0), (1, 0, 0).
194. Definici
on. Consideremos el plano 1 con ecuaci
on z = 3x + 4y 5.
Podemos escribir la misma ecuaci
on en forma vectorial:

0
0
1
x
x
y =
y = x 0 + y 1 + 0 .
5
4
3
3x + 4y 5
z
Esta ecuaci
on tiene la forma general que define la ecuaci
on vectorial del plano:
~ = ~u + ~v + P~
X
En el ejemplo considerado ~u = (1, 0, 3) (en forma de columna), ~v = (0, 1, 4) y
~
P = (0, 0, 5).
~ est
La ecuaci
on vectorial del plano nos dice que X
a en el plano que pasa por el punto
P~ y que es generado por los vectores ~u y ~v . Dando diversos valores a y a vamos
obtenemos diversos puntos del plano y todo punto del plano se obtiene de esta forma.
Por esto decimos que el plano tiene dos grados de libertad, dos par
ametros libres, lo
cual ya se saba de antemano pues la ecuaci
on de un plano ax + by + cz = d tiene 3
inc
ognitas y una sola restriccion, por lo que quedan dos inc
ognitas libres, a las cuales
80
se les puede dar cualquier valor. Que todo esto sirva para tener muy presente que la
ecuaci
on ax + by + cz = d no es y no puede ser la ecuaci
on de una lnea en 3D.
Si consideramos el plano o , que pasa por el origen, que consiste de todos los puntos
~ = ~u + ~v , podemos decir que 1 es igual a o trasladado el vector P~ .
X
195. Ejercicio Encuentre las ecuaciones parametricas de los planos hallados en el
ejercicio anterior.
El problema de hallar el vector normal a otros dos ocurre con frecuencia. Para
esto podemos utilizar el producto punto. Pero existe para R3 una manera estandar de
hacerlo y se denomina producto cruz.
196. Definici
on. En R3 , el producto cruz o producto vectorial entre dos
vectores ~v = (v1 , v2 , v3 ) y w
~ = (w
~ 1, w
~ 2, w
~ 3 ) es un vector notado ~v w
~ y definido por
~v w
~ = (v2 w3 v3 w2 , (v1 w3 v3 w1 ), v1 w2 v2 w1 ).
Notemos que en la coordenada i falta el subndice i y que hay antisimetra (reversa
el signo) en cada coordenada.
197. Teorema y ejercicio. El producto cruz entre dos vectores ~v , w
~ de R3 cumple
las propiedades:
a) Es anticonmutativo, ~v w
~ = w
~ ~v
b) Es perpendicular a ambos vectores, (~v w)~
~ v , (~v w)
~ w.
~
c) Su norma es igual al
area del paralelogramo determinado por los dos vectores,
||~v w||
~ = ||~v || ||w||
~ sen , donde es el
angulo entre ~v y w.
~
d) Si ~i = (1, 0, 0), ~j = (0, 1, 0), ~k = (0, 0, 1) son los generadores de las direcciones
positivas de los ejes coordenados X, Y, Z respectivamente, entonces ~i ~j = ~k. Lo
que se enfatiza es que ~i ~j es ~k y no es ~k y se dice que el producto cruz define
una orientaci
on llamada de la mano izquierda que es la orientaci
on usual de R3 .
En general, se forma un trpode de la forma que ~v va en el pulgar, w
~ va con el dedo
del corazon y ~v w
~ va con el ndice, todos los dedos son de la mano izquierda.
Demostraci
on: ejercicio.
198. Ejercicio Rehaga el ejercicio 193 usando el producto cruz. De las tres maneras
posibles de resolver este ejercicio (por reemplazo, por producto punto y por producto
cruz), cu
al es mas f
acil?
199. Ejercicio Paula y Ricardo compraron su lote y se dispusieron a techarlo. El
lote est
a determinado por lneas que pasan por los puntos siguientes (0, 1), (1, 0), (2, 0),
(0, 2). Pusieron una columna de 3 metros en (0, 1) y otra en (1, 0), pero sobre los
otros dos puntos pusieron columnas de 5 metros. Mandaron a hacer la vigas metalicas,
asumiendo que el techo resultara un plano. Las armaron y todo sali
o bien: el techo
empalm
o perfectamente con las columnas. Por favor, averig
ue las longitudes de las
vigas y el area del techo. Pero resulta que Alejandro y Manuela compraron el lote de
2.12. PLANOS
81
al lado, rectilneo, con esquinas con coordenadas (2, 0), (0, 2), (4, 0), (0, 5). Sobre los
primeros dos puntos pusieron columnas de 3 metros, y en los dos u
ltimos pusieron
columnas de 5 metros. Mandaron a hacer las vigas en la misma parte que sus vecinos
Paula y Ricardo, las transportaron al lote, las soldaron en el suelo, que era muy plano, y
quedo un gran marco plano, pero al tratar de montarlo sobre las columnas no cuadro ni
porque le dieron mucho martillo. Ellos llegaron a la conclusi
on de que el lote era de
mala suerte y lo pusieron en venta y lo vender
an as le pierdan el 30 % del costo. En
realidad, la operaci
on de montaje coincidi
o con el u
ltimo da de octubre. Diga si lo que
ellos cuentan puede ser cierto y en ese caso explique el misterio (por que a Paula y
Ricardo les funciono todo y a ellos no?) y deles un consejo.
La definicion de proyeccion y su relacion con distancias desarrollada para el plano es
valida para cualquier dimension. Veamos como se utiliza en el espacio tridimensional.
200. Ejemplo
x + 2y + 3z = 6.
Calculemos la distancia d del punto P = (4, 5, 6) al plano
~
N
Figura 2.33. Distancia de un punto P a un plano .

Utilizamos la siguiente idea: fabricamos un punto Q sobre el plano. Q puede ser
~ puede ser imaginado en cualquier punto
cualquiera. Como el vector normal al plano N
del plano, nos lo imaginamos en el punto M , de tal forma que la lnea generada por
el vector normal pasa por M y tambien pasa por P . Se tiene un triangulo rectangulo
formado con el segmento normal que va de M a P , el segmento que va de M a Q y el
segmento que va de Q a P .
Con la anterior construccion, la distancia del punto P al plano es simplemente la
distancia del segmento P M , la cual es la norma de la proyeccion del vector P Q sobre

el normal. Por lo tanto, la distancia es simplemente el valor absoluto de la componente
~.
de P Q sobre N
Encontremos un punto cualquiera Q sobre el plano. Digamos x = 1, y = 1 y por
tanto z = 1. El punto sobre el plano es Q = (1, 1, 1). El segmento de P a Q es
~ al plano es N
~ = (1, 2, 3).
P Q = (1, 1, 1) (4, 5, 6) = (3, 4, 5). El vector normal N
En resumen: d = |CompN~ P Q|
Luego:
d = |Comp(1,2,3) ((3, 4, 5))| = |(3, 4, 5) (1, 2, 3)|/ 12 + 22 + 32
82
= 26/ 14.
Es necesario tener en cuenta que los vectores estan todos anclados en el origen.
Pero los podemos representar en cualquier punto del espacio por clones adecuados que
son segmentos dirigidos. Si los angulos y magnitudes se conservan, todo quedara bien.
201. Ejercicio Rehaga el ejercicio anterior utilizando la nocion de componente.
202. Ejercicio Encuentre la distancia d del punto al plano:
a) (4, 5, 6), x 2y + 4z = 6
b) (1, 0, 1), 2x + 3y + 2z = 6
c) (0, 2, 3), 3x 5y 2z = 6
d) (2, 3, 4), 2x + 2y 5z = 6
e) (3, 1, 0), x y 7z = 6.
Ahora podemos encontrar la distancia entre dos planos paralelos.
203. Ejemplo Encontremos la distancia entre dos planos paralelos. El primero es
x + 2y + 3z = 6 y el segundo x + 2y + 3z = 32.
Aclaremos que estos dos planos son paralelos porque tienen el mismo vector normal
~
N (1, 2, 3). En general, dos planos son paralelos ssi (si y s
olo si) sus vectores normales
son paralelos, es decir, el uno es m
ultiplo del otro.
El punto (4, 5, 6) pertenece al segundo plano. Por tanto, la distancia entre los dos
planos es igual a la distancia entre el plano x + 2y + 3z = 6 y el punto (4, 5, 6).
Afortunadamente, nosotros ya resolvimos
este problema en el ejemplo 200. Luego la
distancia entre los planos es de 26/ 14.

204. Ejercicio Rehaga el ejercicio 202 con problemas que consisten en hallar la
distancia entre dos planos paralelos.
2.13.
Lneas y planos en R3
La idea de lnea es seguir siempre en la misma direccion. Veamos como se implementa esto en tercera dimension y como se resuelven problemas con planos y rectas.
Amable lector, si usted siente que va encontrando mucha redundancia, es que usted ya
va entendiendo bastante. Nos alegra mucho.
205. Definici
on. Una lnea L en R3 que pasa por el origen es simplemente el
conjunto de todos los vectores que resultan de multiplicar uno dado, llamado director,
por todos los escalares posibles.
2.13. LINEAS Y PLANOS EN R3

206.
83
Ejemplo Especifiquemos la lnea que pasa por el origen y por el punto (2, 3, 7).
~ :X
~ = (2, 3, 7) con R}
En este caso, L = {X
~
es decir X(x, y, z) L ssi R tal que
(x, y, z) = (2, 3, 7) = (2, 3, 7).
Como es natural, la igualdad tiene sentido coordenada por coordenada, por lo tanto,
con R:
x = 2
y = 3
z = 7
A este sistema de ecuaciones con un grado de libertad se le denomina las ecuaciones param
etricas de una recta. Dando diferentes valores a vamos obteniendo
puntos sobre la lnea. Por ejemplo, para
= 0 obtenemos el punto de la recta (0, 0, 0),
= 1 obtenemos el punto (2, 3, 7),
= 1 obtenemos el punto (2, 3, 7).
Tambien podemos probar que el punto (6, 8, 9) no esta en la recta, pues debe
cumplirse que 6 = 2, por lo que = 3. Pero tambien, 8 = 3, lo cual no se cumple
con = 3.
207. Ejercicio Describa las ecuaciones parametricas de las lneas que pasan por el
origen y ademas por el punto
a) (1, 1, 4)
b) (1, 2, 2)
c) (2, 3, 1)
Hemos considerado lneas que pasan por el origen. Ahora pasemos a lneas que
pasan por cualquier otro punto.
~
208. Definici
on. Una lnea que pasa por el punto P~ y tiene vector director D
~ tales que el segmento que parte desde P~ y llega hasta X
~
es un conjunto de puntos X
~ Es decir, X
~ P~ = D
~ o lo que es lo mismo
es un m
ultiplo del vector director D.
~
~
X = P + D. Esta u
ltima ecuaci
on se interpreta as: para llegar desde el origen hasta
~ de la lnea, llegue desde el origen hasta el punto P~ , quiebre en la direccion
el punto X
~ y camine la proporcion de D
~ que necesite, , hasta llegar a X.
~
de D
~
D
X
Figura 2.34. Una lnea esta determinada por un punto P y una direccion que puede
~ llamado director.
ser la de un vector D
84
209. Ejemplo Hallemos la lnea que pasa por (5, 6, 7) y tiene como vector director
a (2, 3, 7).
~
Solucion: X(x,
y, z) L ssi R tal que (x, y, z) (5, 6, 7) = (2, 3, 7), o bien,
(x, y, z) = (2, 3, 7) + (5, 6, 7) = (2 + 5, 3 + 6, 7 + 7). Como la igualdad tiene sentido
coordenada por coordenada, tenemos:
x = 2 + 5
y = 3 + 6
z = 7 + 7
A estas ecuaciones se les llama ecuaciones parametricas de la recta, y a el
par
ametro.
210. Ejemplo Hallemos las ecuaciones parametricas de la lnea que pasa por los
puntos (1, 2, 3) y (4, 5, 6).
Solucion: necesitamos hallar el vector director. El vector que va de un punto al otro
~ = (4, 5, 6) (1, 2, 3) = (3, 3, 3). Como la lnea pasa por (1, 2, 3) la
nos puede servir, D
ecuacion de la lnea es
(x, y, z) = (1, 2, 3) + (3, 3, 3).
Por tanto, con como real, las ecuaciones parametricas de la recta son
x = 3 + 1
y = 3 + 2
z = 3 + 3
Cuando estudiabamos lneas en el plano, pudimos despejar el parametro sin problema alguno. Cuando se trata de lneas en el espacio hay que tener mas cuidado. Por
ejemplo, despejemos de las ecuaciones parametricas dadas por
x = 2 1
y = 3 8
z = 7 1
Si despejamos de las dos primeras ecuaciones nos queda 3x 2y = 3 + 16 y si
lo hacemos de la segunda y de la tercera queda 7y 3z = 56 + 3. En el espacio estas
ecuaciones representan planos y no lneas, pues ambas son de la forma ax + by + cz = d
con tres incognitas y solo una restriccion, es decir, con dos incognitas libres. Tenemos
entonces que una lnea en 3D se puede entender como la interseccion de dos planos.
Otra manera de escribir lo mismo es despejando de todas las ecuaciones e igualando:
(x + 1)/2 = (y + 8)/3 = (z + 1)/7
A este tipo de escritura se le llama las ecuaciones sim
etricas de una recta en 3D.
La primera igualdad da un plano y la segunda otro plano, una lnea es la interseccion
de dos planos.
En general, si una recta pasa por el punto Po (xo , yo , zo ) y en la direccion del vector
~
D = (a, b, c) entonces la ecuacion de dicha recta puede darse en forma parametrica o
en forma simetrica. La forma parametrica es, con R:
x = xo + a
85
y = yo + b
z = zo + c
La forma simetrica es:
x xo y y o y yo
=
=
a
b
c
si a, b, y c son no nulos.
~ = Po + D,
~ la ecuacion de la recta en
Todas estas ecuaciones se obtienen de X
cualquier dimension.
211. Ejercicio Halle el vector director, las ecuaciones parametricas y las simetricas
de las lneas que pasan por
a) (1, 2, 3) y (2, 3, 4)
b) (1, 0, 2) y (2, 3, 1).
212. Ejercicio Halle el vector director, las ecuaciones parametricas y las simetricas
de las lneas que empieza en (1, 2, 3) a las 0 horas y a las 8 va en (2, 3, 4). La idea es
la de un movil que va a velocidad constante por una trayectoria que es una lnea recta.
Se debe formular una relacion entre el par
ametro y el tiempo, de tal manera que se
cumpla el horario prefijado.
213. Ejercicio Halle las lneas que son paralelas (tienen el mismo vector director)
a las lneas del ejercicio 211 pero que pasan por (2, 1, 2).
214. Ejemplo Encontremos la distancia d del punto P = (2, 1, 5) a la lnea con

~ = (4, 5, 6) y que pasa por el punto (1, 2, 2).
vector director D
P
Q
M
Figura 2.35. Con ayuda de un triangulo rectangulo y proyecciones, o componentes,

podemos hallar la distancia de un punto P a una lnea L.
Utilizamos la siguiente idea. Encontramos un punto Q sobre la lnea. Al proyectar
P Q sobre la lnea generamos un triangulo rectangulo P QM . La distancia de M a Q
puede hallarse por la componente de P Q sobre el vector director de la lnea. La distancia
del punto a la lnea es la magnitud del otro cateto, P M , el cual puede hallarse por
Pitagoras. Procedemos:
86
Encontramos un punto Q sobre la lnea, el cual puede ser Q = (1, 2, 2). Despues
encontramos el vector ~u definido por el segmento
~ = (2, 1, 5) (1, 2, 2) = (3, 3, 7).
P Q: ~u = P~ Q
Hallamos la componente de ~u sobre la lnea, i.e., sobre el vector director de la lnea
~
D.
~
~
CompD~ (~u) = |(~u D)|/||
D||
Comp(4,5,6) ((3, 3, 7)) = |(3, 3, 7) (4, 5,6)|/ 42 +52 + 62

Comp(4,5,6) ((3, 3, 7)) = (12 15 + 42)/ 77 = 39/ 77
Sea M el punto sobre la lnea que esta en el borde de la proyeccion del segmento
P Q sobre la lnea. La distancia del punto P a la lnea es exactamente la de P a M , que
es la norma del segmento M P , la cual es d. Nuestra geometra es tal que tenemos un
triangulo rectangulo con hipotenusa = segmento P Q = ~u = (3, 3, 7), la proyeccion
PD~ (~u), y el segmento M P cuyo largo es d.
Por q
tanto:
q
2
2
2
d = k(3, 3, 7)k (39/ 77) = 67 39
6,87.
77
~ a la lnea cuyo vector director
215. Ejercicio Encuentre la distancia del punto Q
~ y punto P~ son:
D
~ 1, 5); D(1,
~
a) Q(1,
2, 0), P~ (1, 2, 1).
~
~
b) Q(1,
2, 4); D(2,
1, 0), P~ (2, 1, 3).
~ 1, 3); D(2,
~
c) Q(5,
0, 5), P~ (1, 3, 5).
~
~
d) Q(3,
2, 0); D(2,
1, 0), P~ (2, 1, 0).
~
~
e) Q(1,
3, 2); D(2,
3, 5), P~ (1, 4, 0).
216. Ejemplo Desarrollemos un metodo para encontrar la distancia entre dos
planos paralelos. Encontramos dos puntos, uno en cada plano. Todo lo que tenemos
que hacer es proyectar el segmento que los une sobre el vector normal. la norma de
la proyeccion es la distancia requerida, la cual es simplemente la componente en valor
absoluto.
217. Ejemplo Encontremos la distancia entre los planos 1 : x + 2y + 3z = 1 y
2 : x + 2y + 3z = 2.
N
2
P
1
87
Figura 2.36. Con ayuda de un triangulo rectangulo y componentes, podemos hallar

la distancia entre dos planos paralelos.
Si los planos se cortan, la distancia entre ellos es cero. Si hay un vector que sea
normal a ambos planos, ellos son paralelos y su distancia se halla como sigue:
Fabricamos un punto P en un plano y otro Q en otro plano. El segmento que los
une, P Q, se proyecta sobre el vector normal a los dos planos y el valor absoluto de la
componente resultante es la distancia entre ellos.
En nuestro caso, hay un vector normal a ambos planos y es (1, 2, 3). El punto
P = (4, 0, 1) pertenece al primer plano, mientras que Q = (5, 0, 1) pertenece al
segundo plano. El segmento P Q es (5, 0, 1) (4, 0, 1) = (1, 0, 0). Calculamos la
~ = (1, 2, 3):
componente de P Q sobreq
el vector normal N
~ )/ ||N
~ ||
CompN~ (~u) = (~u N
p
||(1, 2, 3)||
Comp
(1,
0,
0)
=
((1,
0,
0)
(1,
2,
3))/
(1,2,3)
= 1/ 14 = 14/14.
La distancia d entre los dos planos es el valor absoluto de la componente, lo cual es
lo mismo.
218. Ejercicio Encuentre la distancia entre los siguientes pares de planos:
a) 3x 5y + 2z = 1, 3x 5y + 2z = 3
b) x + 3y + 2z = 3, x + 3y + 2z = 7
c) x 3y 2z = 2, x 3y 2z = 3
d) 2x + 4y 2z = 4, 4x + 8y 4z = 2
f) x 3y + 4z = 1, 3x 9y + 12z = 0.
219. Ejemplo Veamos un metodo para encontrar la distancia entre dos lneas que
no se intersecan.
Este es un ejercicio desafiante. Sin embargo, podemos aplicar un principio TRIZ
(Altshuller, 2000) que dice: una dimension mas, una salvacion mas. Esto significa que
si el mundo lo abruma a uno con su complejidad, entonces uno se ayuda con otra parte
o faceta del mundo. Cuando sea preciso, use o invente herramientas y andamios cuando
lo necesite. Miremos como se implementa este principio.
Figura 2.37. Con ayuda de dos planos paralelos podemos hallar la distancia entre
dos lneas que nunca se cortan.
88
Podemos construir dos planos paralelos, tal que uno contenga la primera lnea recta
y el otro la segunda. Juegue con dos lapices que simulen los vectores directores de las
lneas. Deslice un lapiz en forma paralelo con respecto a s mismo pero siguiendo la
direccion del otro lapiz: de ese modo, generara un plano. Deslizando el otro lapiz de
igual forma, generara otro plano. Los dos planos son paralelos y ambos tienen el mismo
vector normal. Para mas se
nas, la trada formada por los dos vectores directores y el
vector normal, son vectores mutuamente perpendiculares. Como tenemos dos planos
paralelos que contienen a las lneas, la distancia entre ellas es la misma que la distancia
entre los planos. Y eso es todo.
220. Ejemplo y ejercicio Encontremos la distancia entre las lneas en el espacio
~ 1 = (1, 1, 1), P1 = (4, 0, 1)
cuyos vectores directores y puntos son respectivamente D
~ 2 = (5, 4, 1), P2 = (5, 0, 1).
yD
Necesitamos construir el vector normal de los planos paralelos que contienen a
las lneas. El vector normal debe ser perpendicular a ambos vectores directores. Para
ello podemos utilizar el producto cruz (inmediato) o el producto punto. Utilicemos el
~ = (u, v, w) un vector normal. Tenemos: N
~ D
~1 = 0 y N
~ D
~ 2 = 0, i.e.
segundo. Sea N
(u, v, w) (1, 1, 1) = u + v w = 0
(u, v, w) (5, 4, 1) = 5u 4v + w = 0
Sumemos estas dos ecuaciones:
6u 3v = 0.
Puesto que tenemos 3 incognitas y 2 ecuaciones, debemos tener por lo menos un
grado de libertad, i.e. una variable que puede ser fijada como quiera. Sea u tal incognita
y fijemos u = 1, entonces de 6u 3v = 0 tenemos v = 2, y de u + v w = 0 tenemos
w = 3.
~ = (1, 2, 3). La ecuacion del plano
Por tanto, el vector normal a ambos planos es N
refleja el hecho de que el segmento desde un punto no especfico del plano (x, y, z) a un
punto fijo del plano es perpendicular al vector normal, por lo tanto su producto punto
debe ser cero.
La ecuacion del primer plano es (x 4) + 2(y 0) + 3(z + 1) = 0 o x + 2y + 3z = 1.
La ecuacion del segundo plano es (x 5) + 2(y 0) + 3(z + 1) = 0 o x + 2y + 3z = 2.
La distancia entre las dos lneas es precisamente la distancia entre los dos planos,
la cual fue hallada en el ejemplo 217. Observemos que al final todo se reduce a estudiar
un triangulo rectangulo determinado por tres segmentos: el primero es el determinado
por un punto sobre una lnea y otro sobre la otra lnea; El segundo es el segmento sobre
el vector normal que va de lnea a lnea, y el tercero es un segmento sobre una de las
lneas que completa el triangulo. El problema era saber por que esto funciona. Y esto
ya se entendio.
221. Ejercicio Encuentre la distancia entre los siguientes pares de lneas. Tenga
cuidado pues hay un par de lneas que son paralelas y no hemos visto antes nada igual.
Damos el vector director y el punto de la primera lnea y despues lo mismo pero para
la segunda:
89
a) (1, 1, 1), (0, 0, 1/3); (2, 1, 4/3), (0, 0, 2/3).

b) (0, 1, 2), (1, 2, 4); (2, 1, 0), (2, 1, 3).
c) (4, 0, 19), (7, 1, 4); (2, 0, 5), (1, 3, 5).
d) (1, 1, 2), (3, 2, 0); (2, 1, 0), (2, 1, 0).
e) (1, 1, 1), (1, 4, 0); (2, 3, 5), (1, 3, 2).
on parametrica de la recta interseccion entre los
planos 1 : 2x y + z = 0 y 2 : x + 3y z = 2.
223. Ejercicio El vector (6, 2, 1) en unidades apropiadas denota la cantidad de harina, chocolate y huevos gastados en hacer un brownie. Calcule el inventario gastado
en n brownies.
224. Ejercicio El vector (4, 2, 1) denota la cantidad de dinero gastado en harina,

chocolate y huevos para hacer un brownie. Calcule el inventario gastado en n brownies
sabiendo que se necesita una infraestructura de (100, 50, 40) que indica lo que se gasta
en equipo para amasar la harina, para mezclarla con el chocolate y para refrigerar los
huevos.
225. Ejercicio El vector (6, 2, 1) en unidades apropiadas denota la cantidad de gl
ucidos, lpidos y protenas gastados por hora por una persona en el gimnasio. Calcule el
inventario gastado en n horas. Reduzca el metabolismo 20 veces, cuando est
a dormido,
y renueve el inventario.
226. Dualidad: Las ecuaciones parametricas de una lnea contienen dos tipos de
informacion, una de posicion y otra de velocidad. El primero es el punto de vista de
los
arboles de la carretera. El segundo es el punto de vista de un carro que recorre la
carretera. Todo se puede entender si consideramos las dos ecuaciones siguientes:
~ = (3, 8, 2) + (1, 2, 5)
X
~ = (3, 8, 2) + (2, 4, 10) = (3, 8, 2) + 2(1, 2, 5)
X
La u
nica diferencia entre estas dos expresiones es que la segunda lnea tiene un
vector director que es el doble de la primera lnea. Por lo tanto, las dos lneas son la
misma. Pero, !atencion, si interpretamos como el tiempo, vemos inmediatamente que
la segunda ecuacion describe un carro que se mueve al doble de velocidad que el carro
descrito por la primera ecuacion.
Observese que estos juegos pueden ser muy complicados. El siguiente sistema de
ecuaciones describe una carretera que va en lnea recta pero recorrida por un movil
que no va a velocidad constante sino que cada vez se mueve mas rapido:
x = 22
y = 32
z = 72
La carretera pasa por el origen en la direccion (2, 3, 7) pero el movil esta en el origen
en el tiempo cero, cuando = 1 el movil esta en (2, 3, 7). Cuando = 2 el primer movil
va en (4, 6, 14) y si el tiempo es 10 el movil esta en (200, 300, 700) recorriendo grandes
distancias en tiempos muy peque
nos.
90
227. Ejemplo Hallemos la lnea que parte de (3, 6, 12) a las cero horas, = 0,
y que pasa por (1, 3, 5) a las 3 de la tarde (cuando = 15). Averig
uemos luego
en que punto estaremos a la hora 30.
Solucion: La lnea esta en la direccion de
~ = (1, 3, 5) (3, 6, 12) = (1, 3, 5) + (3, 6, 12) = (2, 3, 7)
D
y, elaborando el punto de vista de los arboles del camino la ecuacion de la recta
sera
~ = (3, 6, 12) + (2, 3, 7).
X
Cuando = 15 esta ecuacion produce el punto (27, 39, 93). Ahora tenemos que
regular la velocidad para que una nueva ecuacion describa la misma carretera pero con
una trayectoria que pase por los puntos especificados a las horas requeridas.
La clave de todo es que si la velocidad es constante, esta puede codificarse en
uno de los posibles vectores directores. Todos los vectores directores son de la forma
~ = k(2, 3, 7) = (2k, 3k, 7k) y la ecuacion buscada es de la forma
D
~ = (3, 6, 12) + (2k, 3k, 7k).
X
Cuando = 0 este carro esta en (3, 6, 12), tal como se necesita. Cuando = 15
debemos estar en (1, 3, 5):
(1, 3, 5) = (3, 6, 12) + 15(2k, 3k, 7k) = (3, 6, 12) + (30k, 45k, 105k)
(1, 3, 5) = (30k 3, 45k 6, 105k 12)
Despejando k de la primera coordenada
k = (1 + 3)/30 = 2/30 = 1/15
Despejando k de la segunda coordenada
k = (3 + 6)/45 = 3/45 = 1/15
Despejando k de la tercera coordenada
k = (5 + 12)105 = 7/105 = 1/15 (Acaso esto pudo haberse hallado mas simplemente?)
Como todos los resultados son iguales, vamos bien. La ecuacion de la trayectoria
solicitada es
~ = (3, 6, 12) + (2k, 3k, 7k) = (3, 6, 12) + (/15)(2, 3, 7).
X
Si = 30 estamos en la posicion
~ = (3, 6, 12) + (/15)(2, 3, 7) = (3, 6, 12) + (30/15)(2, 3, 7)
X
= (3, 6, 12) + (2)(2, 3, 7) = (3, 6, 12) + (4, 6, 14) = (1, 0, 2)
a en P a la hora
228. Ejercicio Encuentre la parametrizacion de la lnea que est
cero, = 0, y pasa a traves de Q despues de t horas; encuentre la posicion a la hora
s. Los datos est
an dados en el orden P, Q, t y s.
a) (1, 2, 3), (4, 5, 6), 7, 14.
b) (1, 0, 2), (3, 5, 7), 1, 6.
c) (2, 1, 3), (1, 0, 1), 1, 6.
d) (1, 3, 1), (0, 1, 4), 1, 2.
e) (0, 1, 1), (1, 2, 0), 2, 2.
2.14. SISTEMAS 3 3
2.14.
91
Sistemas 3 3
Estamos interesados en entender lo que significa geometricamente la solucion a un

sistema de ecuaciones. Muy importante es la capacidad que tiene el analisis geometrico
para medir la cantidad de soluciones que un sistema de ecuaciones debe tener. Ya
analizamos los sistemas 2 2 y pudimos ver, por ejemplo, que uno puede estar seguro
de que un sistema tiene una u
nica solucion cuando representa un par de lneas no
paralelas. Esa certeza nos permite usar cualquier metodo o el de Gauss-Jordan, para
hallarla. Ahora analizaremos los sistemas 3 3, es decir, un sistema de 3 ecuaciones
con 3 incognitas. El lector debe intuir que la forma de razonar en 2 y 3 dimensiones se
generaliza inmediatamente a 8, 20 o 1.000 dimensiones.
Si tenemos un sistema lineal 33, lo que tenemos en cada ecuacion es una expresion
de la forma ax + by + cz = d, es decir, tenemos un plano, ver ejemplo 186. Por lo tanto
un sistema 3 3 nos representa un sistema de 3 planos al cual hay que hallarle los
puntos comunes o de interseccion. Hay varios casos, al igual que con los sistemas 2 2:
1. Los planos se intersecan en un u
nico punto, la solucion es u
nica.
2. Los planos se intersecan en una lnea, como las hojas de un cuaderno, la solucion
no es u
nica y se tiene 1 grado de libertad, es decir, se tiene una cantidad infinita
de soluciones con un parametro libre.
3. Los tres planos coinciden, son un mismo plano repetido 3 veces, y se tiene una
cantidad infinita de soluciones con 2 grados de libertad para indicar que se puede
ir a la derecha o a la izquierda y arriba o abajo en el espacio de soluciones.
4. Los planos son paralelos y son diferentes no teniendo ning
un punto en com
un: el
conjunto solucion es el conjunto vaco, no hay solucion, si se trata de solucionar
el sistema, lo que se encuentra es una contradiccion.
Veamos ejemplos concretos de cada caso:

1) Los planos se cortan en un u
nico punto. Consideremos el sistema
x=0
y=0
z=0
La solucion es (0, 0, 0). Veamos de que manera tenemos 3 planos que se cortan en
un u
nico punto.
92

Z
y=0
x=0
Y
z=0
Figura 2.38. Tres planos que se cortan en un u

nico punto (0, 0, 0).
La ecuacion z = 0 en el espacio nos representa el plano que pasa por (0,0,0) y cuyo
~ Por lo
vector normal es (0, 0, 1), esto es, el vector que apunta en direccion del eje Z.
tanto, esta ecuacion nos representa el piso o plano XY. La ecuacion x = 0 en el espacio
nos representa el plano que pasa por (0, 0, 0) y cuyo vector normal es (1, 0, 0), o sea el
~ Por consiguiente, esta ecuacion nos representa
vector que apunta en direccion del eje X.
la pared lateral derecha (uno ve el mundo desde el origen). La ecuacion y = 0 en el
espacio nos representa el plano que pasa por (0, 0, 0) y cuyo vector normal es (0, 1, 0),
es decir, el vector que apunta en direccion del eje Y~ . Por esta razon, esta ecuacion nos
representa la pared lateral izquierda. La dos paredes laterales y el piso se intersecan en
un u
nico punto (0, 0, 0). Observese que si ponemos el sistema en forma matricial queda
como
.
1 0 0 .. 0
0 1 0 ... 0
..
0 0 1 . 0
De igual manera, si al reducir por Gauss-Jordan un sistema de ecuaciones queda la

matriz identidad, la solucion es u
nica y puede leerse directamente. Recprocamente, si
al reducir una matriz 3 3 queda la matriz identidad, la matriz original representaba
un conjunto de planos que se cortan en un u
nico punto.
2) Los planos se intersecan en una lnea, como las hojas de un cuaderno, como en
el sistema
2.14. SISTEMAS 3 3
93
x=0
y=0
xy = 0
y=0
x=0
Y
xy =0
X
Figura 2.39. Cuaderno, los tres planos tienen en com

un el lomo del cuaderno.
Notemos que efectivamente estamos en el caso de tres planos que se organizan como
~
las hojas de un cuaderno, x = 0 representa una pared lateral que contiene al eje Z,
~ Por otro lado, la ecuacion
y = 0 es otra pared lateral que tambien contiene el eje Z.
x = y es lo mismo que x y = 0 que es un plano con vector normal (1, 1, 0). Un
punto esta en dicho plano si es de la forma
(x, x, z) = (x, x, 0) + (0, 0, z) = x(1, 1, 0) + z(0, 0, 1).
~ Por lo tanto, x = y representa un
Vemos que cuando x = 0 nos queda el eje Z.
~ y que pasa por la diagonal principal del piso. Todos los
plano que contiene el eje Z
~ y se organizan como un libro. Su solucion es una lnea, el eje
planos contienen al eje Z
~
Z.
Aunque ya conocemos la solucion, hallemosla por metodos algebraicos. Comencemos
notando que la tercera ecuacion dice que x = y, y combinando con las dos primeras
ecuaciones queda x = y = 0. La solucion esta formada por el conjunto de puntos
(x, y, z) de la forma (0, 0, z) pues las dos primeras variables valen cero, pero la tercera
~ que es una lnea.
no tiene restriccion. La solucion es el eje Z
Tambien podemos proceder por Gauss-Jordan. La matriz del sistema dado puede
reducirse hasta
94
.
1 0 0 .. 0
0 1 0 ... 0
..
0 0 0 . 0
es decir, que la tercera ecuacion nos da que 0 = 0, que puede ignorarse y nos queda un
sistema con 3 incognitas y dos restricciones, el sistema tiene infinitas soluciones con un
grado de libertad, en otras palabras, es una lnea. La interpretacion es la siguiente: si
al reducir una matriz 3 3 queda convertida en una matriz con solo 2 filas o renglones,
tenemos el caso de 3 planos que se organizan como las hojas de un cuaderno y viceversa.
3) Los tres planos coinciden, son un mismo plano repetido 3 veces. Ejemplo:
z=0
2z = 0
3z = 0
las dos u
ltimas ecuaciones se simplifican y dan la primera. Esto es, las tres ecuaciones son realmente una misma ecuacion. Por lo tanto la solucion al sistema es simplemente el conjunto de puntos (x, y, z) cuya tercera coordenada es cero, o sea de la
forma
(x, y, 0) = (x, 0, 0) + (0, y, 0) = x(1, 0, 0) + y(0, 1, 0).
Todos estos puntos forman el plano que corresponde al piso, el cual tiene dos grados
de libertad, uno en direccion del eje X y otro en direccion del eje Y.
De lo dicho queda claro que al reducir el sistema por Gauss-Jordan nos quedara solo
una ecuacion, lo cual produce un problema con 3 incognitas y una restriccion: hay dos
incognitas sin especificar, hay dos grados de libertad, la solucion es un plano.
4) Los planos son paralelos y son diferentes nsin tener ning
un punto en com
un.
Ejemplo:
3 : z = 3
2 : z = 0
1 : z = 3
2.14. SISTEMAS 3 3
95
3
2
Figura 2.40. Planos paralelos que representan una solucion vaca.

Estas ecuaciones representan 3 planos, el piso cero, el piso 3 y el piso -3. Dichos
pisos no tienen ning
un punto en com
un y la solucion es vaca. Observese que al reducir
por Gauss-Jordan un sistema como el dado se llega a una ecuacion de la forma 0 = 1,
lo cual es una contradiccion.
Analicemos ahora un caso mas complicado:
229.
cos:
Ejemplo Interpretemos la solucion al siguiente sistema en terminos geometri

2x 3y + 4z = 2
x y + z = 5
x 4y + 5z = 7
Lo que queremos hacer es un analisis geometrico que nos de certeza sobre la cantidad
de soluciones que el sistema tiene. Si la solucion es u
nica, esta representa un punto en el
espacio, si tiene muchas soluciones estas representaran, o bien, una linea en el espacio,
o bien, un plano en el espacio y si no hay solucion sera porque los planos son paralelos
entre s. Una vez sepamos eso, podemos hallar la solucion por nuestro metodo preferido,
Gauss-Jordan.
Veamos como podemos utilizar los vectores normales. El plano 2x 3y + 4z = 2
~ 1 = (2, 3, 4). El plano x y + z = 5 tiene como vector
tiene como vector normal N
~ 2 = (1, 1, 1), en tanto que el vector normal de x 4y + 5z = 7 es
normal a N
~ 3 = (1, 4, 5). Ahora bien, N
~1 + N
~2 = N
~ 3 , lo cual significa que N
~ 3 esta sobre el plano
N
~1 y N
~ 2 . Eso implica que los tres planos son perpendiculares al plano
generado por N
. Tal vez los tres planos esten organizados como las hojas de un cuaderno y la solucion
este representada por una lnea. O tal vez los planos no tengan nada en com
un entre
los tres. En conclusion, o la solucion es una lnea o es vaca. Pero no puede ser un plano
pues los vectores normales apuntan cada uno en una direccion distinta.
Ahora veamos que da el metodo de Gauss-Jordan.
Observemos que el sistema fue construido ex profeso para que la tercera ecuacion
fuese la suma de la primera con la segunda. Por consiguiente al reducir por GaussJordan, la tercera fila desaparecera. En efecto, el sistema reescrito en forma matricial
queda
96
.
2 3 4 .. 2
1 1 1 ... 5
..
1 4 5 . 7
que al escalonar por renglones se obtiene
..
2 3 4 . 2
1 1 1 ... 5
..
R1 + R2 R3
0
0 0 . 0
.
0 1 .. 13
R1 3R2 5
..
R1 + 2R2
12
0 5 6 .
..
0
0 0 .
0
Al traducir esta matriz aumentada a un sistema de ecuaciones vemos que tenemos

2 ecuaciones con 3 incognitas, es decir, 2 planos, los cuales se intersecan en una lnea,
puesto que sus vectores directores no son paralelos. Ya que la interseccion es una lnea,
hay infinitas soluciones con un grado de libertad. Verifiquemoslo.
Reduciendo la matriz escalonada obtenemos
.
1 0
1/5 .. 13/5
0 1 6/5 ... 12/5
..
0 0
0 .
0
Esto dice que x + (1/5)z = 13/5 y que y (6/5)z = 12/5 y que 0z = 0, o sea,
z puede ser cualquiera. Por lo tanto,
x = (1/5)z 13/5
y = (6/5)z 12/5
z=z
esto es

1/5
13/5
x
y = 12/5 + 6/5 z
1
0
z
que es una lnea con parametro z. Su vector director es (1/5, 6/5, 1) y cuando
z = 0 pasa por el punto (13/5, 12/5, 0).
Si hubiese alguna duda sobre la fidelidad de la solucion, podramos verificarla por
reemplazo. Una vez hecho, concluimos que no hay soluciones espurias. Y nuestro analisis
previo sobre los vectores normales nos dice que no faltan soluciones.
Es muy elocuente la forma como el metodo Gauss-Jordan nos va diciendo como
son las soluciones, pues nos da una geometra facil de interpretar y nos produce todas
las soluciones, sin faltar y sin a
nadir ninguna solucion espuria. Eso sera digno de ser
probado en el caso general, y lo haremos en el captulo de la inversa.
2.14. SISTEMAS 3 3
97
230. Ejercicio Resuelva e interprete geometricamente la solucion a los sistemas

siguientes:
x y + 4z = 2
x + y + z = 5
a)
5z = 7
3x + 5z = 7
2x 2y + 4z = 2
b)
x + 2y + z = 5
3x y + 4z = 2
2x 4y + 5z = 7
c)
x 3y + z = 5
231. Miscel
anea Resuelva los siguientes sistemas e interprete geometricamente sus
soluciones:
a) 3x + 4z = 1, 6x + 8z = 2 en R2 y en R3 .
b) 3x + 4z = 1, 6x + 8z = 2,00000001 en R2 y en R3 .
c) 3x + 4z = 1, 6x + 8z = 2, 9x + 12z = 3 en R2 y en R3 .
d) x + y + z = 0, x + y + z = 1, x + y + z = 3 en R3 .
e) x = 0, y = 0, x 3y + 4z = 3 en R3 .
f) x = 0, y = 0, x 3y + 4z = 3 en R4 .
g) x + y + z = 1, x 2y + 3z = 1, 2x y + 4z = 2 en R3 .
h) x + y + z = 1, x y + z = 1, x + y z = 1, 3x + y + z = 3 en R3 .
232. Un buen ejercicio Un sistema de ecuaciones es reducido por Gauss-Jordan
para saber el n
umero de ecuaciones independientes. Por tanto, Gauss-Jordan es un procedimiento para limpiar redundancias. Supongamos que tenemos un sistema de ecuaciones con n inc
ognitas y que despues de reducirlo nos quedan i ecuaciones independientes. Establezca un ecuaci
on que relacione el n
umero de inc
ognitas, m; el n
umero de
ecuaciones independientes, i; y el n
umero de par
ametros libres o grados de libertad del
conjunto solucion f. Por favor, ilustre su conclusi
on con ejemplos adecuados y a
nada
una explicaci
on geometrica.
233. Ejercicio Halle un polinomio de tercer grado que pase por los puntos (1, 1.5),
(1.5, 3), (2, 1), (2.5, 4).
98
2.15.
Las estaciones (opcional)
Veamos de que manera las matematicas que hemos visto nos dan la capacidad de
formular ideas muy sencillas con las que podemos tener una vision bastante profunda
sobre la naturaleza de uno de los fenomenos planetarios que mas incidencia global tiene
sobre la vida en la Tierra: las estaciones. Este tema debe dominarse a tal grado que
uno pueda contarlo a los sobrinos y a la abuelita. Explicar esto a la luz de una vela,
que simule el Sol, y ayudandose de una naranja o una pelota, que simule la Tierra,
resulta impresionante.
234. Ejercicio Proponga algunos efectos de las estaciones sobre las migraciones y
contramigraciones periodicas, sobre la variabilidad de la vida, sobre la estacionalidad
de los fen
omenos biologicos. De ejemplos con aves, mamferos, insectos, peces, plantas
silvestres y de cultivo. Tenga en cuenta que la estacionalidad de los fen
omenos botanicos
arrastra la estacionalidad de los dem
as. A
nada consideraciones sobre la conducta de
los humanos y del turismo.
Comencemos mencionando un contraste entre los buenos ciclistas y los aficionados.
A los primeros se les ve detenidos en los semaforos haciendo delicadas maniobras para
no caerse. A los aficionados eso no les funciona. En cambio ellos pueden viajar largos
trechos en bicicleta sin hacer practicamente nada. Como pueden ellos hacer eso si
solamente son aficionados? La razon es que hay una ley de la naturaleza que los favorece.
En efecto, cuando la bicicleta se mueve, las ruedas giran y lo hacen sobre un plano
vertical a la Tierra y en la direccion que uno lleve.
Puede decirse que, en cierto sentido, este sistema es estable: se necesita hacer algo
para desequilibrarlo. Esto se logra si uno se desbalancea un poquito hacia alg
un lado
y se crea lo que se llama un torque. Dicha estabilidad del plano de giro de la rueda
es lo que oficialmente se denomina como conservacion del momento angular.
Ahora bien, en vez de decir que el plano de giro se conserva, lo que se puede decir
es que el eje de giro se conserva. El eje de giro es ni mas ni menos el vector normal
al plano de giro que es el mismo plano que contiene la rueda. Este cambio de punto
de vista nos permite alargar o acortar el vector normal para dar a entender que la
estabilidad del plano de giro puede ser mayor o menor: es mas estable entre mas veloz
se vaya. El nombre tecnico de dicho vector es vector de momento angular.
Los trompos y las pirinolas se mantienen de pie mientras giran porque la interaccion
con el piso no alcanza a interferir notablemente con la rotacion y por consiguiente el
momento angular se conserva, el cual va en direccion vertical. Los trompos que no
son perfectamente simetricos pueden balancearse mientras giran: a este movimiento se
llama precesion.
Pensemos ahora en la Tierra: ella gira al rededor del Sol en una orbita elptica. Pero
al mismo tiempo, gira sobre su propio eje. Girando sobre su propio eje se origina el da
y la noche. La Tierra gira a muy alta velocidad, nosotros recorremos 40000 km cada
da. Y ademas la Tierra pesa mucho. La consecuencia es que el eje de giro de la Tierra
es muy estable. Por supuesto que no es inconmovible, pero es muy estable.
2.15. LAS ESTACIONES (OPCIONAL)
99
Resumimos todo diciendo que la direccion y la magnitud del vector momento angular se conservan mientras la Tierra recorre su orbita.
z
Figura 2.41. Conservacion del momento angular.
Como podemos saber la direccion del eje de giro de la Tierra? Veamos de que manera se puede medir muy sencillamente y as explicar un hecho simple pero espectacular:
si una pared, o una casa, orientada de oriente a occidente es iluminada por el Sol por
el sur, con toda seguridad el Sol la iluminara a los seis meses por el norte. Y viceversa.
En Bogota, una pared orientada de oriente a occidente es iluminada en noviembre por
el sur y en mayo por el norte.
Luz solar
Pared
Figura 2.42. Estaciones y patron de iluminacion.

La clara razon es que el eje de la Tierra no es perpendicular al plano orbital: el eje
de la Tierra esta inclinado. Como podemos medir el angulo de inclinacion del eje de
giro de la Tierra con respecto al plano orbital? Primero debemos jugar un poco con una
naranja, que representara la Tierra, y clavarle un palillo de dientes que haga las veces
de un poste de la luz cercano a la casa que habitamos. Segundo: con el ndice de la
mano derecha imitamos los rayos solares y en la mano izquierda sostenemos la naranja,
la vamos moviendo por su orbita y notamos que hay una posicion (y otra al otro lado
de la orbita) en la cual a medio da, el Sol ilumina perpendicularmente la Tierra. En
ese momento el rayo de Sol (el ndice) cae exactamente en la direccion del poste de la
luz (el palillo de dientes sobre la naranja). Si las cosas no funcionan es porque al mover
la naranja no se observo la conservacion del momento angular. Lo mejor es clavarle un
lapiz a la naranja para representar su eje de giro y para tener en claro que al moverla
la direccion del lapiz no debe cambiar.
Imaginemos un poste de luz sobre el Ecuador. El angulo entre el poste de la luz
y el rayo del Sol vara con la epoca, a veces es cero, el Sol cae perpendicularmente,
100
pero a veces es mucho. El angulo maximo de inclinacion del Sol con respecto al poste
corresponde a una situacion en la cual el poste de la luz, el eje de giro y el Sol estan
sobre el mismo plano.
En ese instante puede medirse el angulo, a medio da, entre el poste de la luz y el
rayo de Sol, y dicho angulo es el que esta entre el eje de giro de la Tierra y la normal al
plano orbital. Este resultado se basa en un hecho geometrico importante: cuando dos
angulos agudos tienen lados perpendiculares, ellos miden exactamente lo mismo.
A
B
Figura 2.43. Angulos

con lados perpendiculares.
En la grafica, el angulo AOB es agudo, lo mismo que A OB . Ademas, el lado AO
es perpendicular a A O. Y de igual forma, el lado BO es perpendicular al B O. Eso
significa que si el angulo B OA mide , entonces el angulo A OB mide 90 . Pero
como el angulo A OA es recto, entonces el angulo BOA debe ser el complementario de
A OB y por lo tanto debe medir tambien .
Rayo de Sol
Poste
Figura 2.44. La inclinacion del eje de giro de la Tierra.

Con esta forma de pensar se ha estimado que el angulo entre el eje de giro de
la Tierra y la normal al plano orbital es de unos 22 grados. Observemos que si el
angulo fuese de 0 grados, la mayor parte de Canada estara en eterno invierno. En
consecuencia, con el angulo de inclinacion del eje de la Tierra se regula la productividad
biotica de la Tierra.
on Investigue si el eje de giro de la Tierra ha cambiado a lo largo de su historia. Si es un movimiento continuo o si ha sido por causa de
una hecatombe. Explique como se hizo para saberlo, especificando el papel de la geologa
y de la biologa. Que se espera para el futuro?
Podemos jugar un poco mas con nuestra naranja y si de noche la iluminamos
con una linterna podemos observar lo que el polo alejado del Sol esta poco o nada
101
iluminado por el Sol, este polo esta en invierno. El polo cercano al Sol esta siendo
fuertemente iluminado, este polo esta en verano. Por eso se puede cultivar papa en
latitudes exageradas de Siberia, el Sol nunca se oculta y la papa puede crecer y dar
fruto en los tres meses que dura el verano.
En realidad, las estaciones no duran cada una tres meses, la orbita es elptica y el
Sol esta en uno de sus focos. Cuando la Tierra esta mas cerca del Sol, esta recorre su
orbita deprisa (para no caerse). Pero cuando la Tierra esta alejada, la orbita es recorrida
lentamente. Por lo tanto, las estaciones cerca del Sol son cortas. Las estaciones alejadas
del Sol, son largas. Midiendo este desbalance podra estimarse la excentricidad de la
elipse orbital.
Por otro lado, en el verano los das son largos y en el invierno son cortos. Dara la
impresion de que la Tierra girara mas despacio en verano y mas rapido en invierno.
Como puede suceder si el momento angular de la Tierra se conserva y ella siempre
gira a la misma velocidad angular? Considere la siguiente explicacion: debido a que la
inclinacion del eje de giro de la Tierra no es nula, en casi todos los das hay un hemisferio
que no solo esta mas cerca del Sol sino que, ademas, tiene una area iluminada mayor
que la del otro. Es decir, tomando un paralelo a la altura de Mexico en verano, no
son 180 los grados iluminados sino que son 200 o mas. Por lo tanto, un punto sobre la
superficie al ir girando permanecera mas tiempo a la luz que en la oscuridad. Los das
son mas largos en verano que en invierno. No es esta una razon para insinuar que los
lazos familiares entre los habitantes, de todas las especies, de altas latitudes deberan
ser mas fuertes que entre sus homologos del tropico? Sera cierto?
Y ahora viene algo preocupante: cuando el Sol se ve al medioda en enero, la casa
mira hacia la izquierda.Pero en junio, al medioda la casa mira hacia la derecha.Por
lo tanto, hay 12 horas de diferencia entre estos dos mediodas y no 24 como debiera
ser. Estas doce horas alargan los das de verano y acortan los de invierno. Que efecto
podra tener este hecho?
La intrigante sencillez que hemos promovido se ha conseguido a un alto precio
pagado a lo largo de muchas generaciones. En particular, la presesion de la tierra fue
estudiada cuantitativamente por Hiparco hacia el 125 antes de nuestra era, pero solo
con Newton pudo ofrecerse una explicacion del porque. Aristarco pudo lograr lo que
hizo porque se nutrio de una cultura muy desarrollada que ya saba, por ejemplo, como
medir la distancia de la Tierra tanto a la Luna como al Sol, algo que fue desarrollado
por Aristarco de Samos hacia el a
no 250 a. J. C. (Gran Enciclopedia Larousse, 1983).
2.16.
1. Encuentre el angulo entre los vectores ~u = (1, 1, 1, 1) y ~v = (1, 0, 0, 0).

2. Considere los vectores ~a = 2~i + 3~j 2~k y ~b = ~i + ~j + ~k. Calcule:
a) Comp~b~a.
b) Proy~b~a.
3. Encuentre los valores de t para los cuales el espacio solucion de AX = 0 es una
recta que pasa por el origen o un plano que pasa por el origen, o solo el origen o
102
1 1 t
todo R3 , siendo A = 1 t 1 .
t 1 1
~
~ 3, 4), en R3 . Halle:
4. Considere los puntos A(2, 2, 1), B(1,
0, 3) y C(5,
a) Las ecuaciones simetricas de la recta L que pasa por los puntos A y C.
b) La ecuacion del plano que contiene a los puntos A, B y C.
c) El area del triangulo cuyos vertices son A, B y C.
d ) Distancia del punto (2, 3, 4) al plano .
e) Punto de interseccion de la recta L y el plano .
5. Considere el paraleleppedo generado por los vectores ~u = (1, 4, 1), ~v = (1, 4, 0)
yw
~ = (6, 6, 8) con uno de sus vertices en el punto A(3, 3, 0).
a) Halle las coordenadas de los 7 vertices restantes.
b) Determine las coordenadas del punto medio del paraleleppedo.
c) Halle la ecuacion de la recta que pasa por dos vertices opuestos del paraleleppedo.
d ) Halle la ecuacion del plano que contiene a la cara superior del paraleleppedo.
e) Halle la distancia entre el punto medio del paraleleppedo y una de sus caras.
f ) Halle el area de una de las caras del paraleleppedo.
g) Determine el volumen del paraleleppedo.
h) Halle la ecuacion del plano que esta 5 unidades por encima de la cara superior
del paraleleppedo.
i ) Halle la ecuacion de la recta que se encuentra en la cara superior del paraleleppedo y que dista 5 unidades de una de las aristas de la cara superior.
6. Encuentre la ecuaci
on de la recta que pase por el punto (2, 3, 4) y que sea paralela
xy+z =1
a los dos planos
2x + y 3z = 2
7. Hallar el punto Q del plano : 2x + 2y + z = 1 mas cercano al punto P (9, 7, 3).
8. Encuentre las ecuaciones parametricas del plano en R3 que pasa por los puntos
(1, 0, 0), (0, 1, 0) y (0, 0, 1).
9. Encuentre una ecuacion lineal simple en tres variables cuyo conjunto solucion sea
exactamente el plano dado en el inciso a).
10. Sea H = {(x, y, z): x + y = 0} y sea ~v = (1, 1, 1). Hallar:
a) H .
b) ProyH ~v .
c) ProyH ~v .
2.17. RESUMEN
2.17.
103
Resumen
La capacidad de analisis visual de los mamferos es algo tan maravilloso, tan eficiente, tan poderoso, que la tecnologa moderna a duras penas ha podido imitarla. La
geometra es la plataforma que convierte ese poder visual en una herramienta muy
eficaz para el analisis de sistemas lineales (y no lineales). Hemos desarrollado el tema
para dos y tres variables, lo cual nos indujo a considerar rectas y planos. Pudimos
constatar que al interpretar un sistema de ecuaciones en terminos de planos o rectas,
uno puede predecir si la solucion es u
nica o si hay infinitas soluciones sobre una recta o
si quedan sobre un plano o si no hay solucion. De esa manera, uno sabe de antemano la
forma de la solucion, la cual puede hallarse por cualquier metodo. Uno quisiera pensar
que lo dicho de alguna manera se extrapola para problemas con mas de 3 variables. La
verdad es que esta intuicion necesita ser elaborada y es un objetivo que enfrentaremos
en proximos captulos.
104
CAPITULO
3
EL DETERMINANTE
En el presente captulo veremos de que manera uno puede asociar un n

umero llamado determinante a una matriz de tal forma que si el determinante es cero, entonces
un sistema de ecuaciones generado por la matriz o no tiene solucion o tiene infinitas
soluciones, y si el determinante es distinto de cero entonces cualquier sistema generado
por la matriz tiene solucion u
nica.
3.1.
Idea fundamental
Consideremos un sistema lineal 2 2, el cual representa dos lneas. Si las lneas

no son paralelas, ellas se cortan en un punto y la solucion al sistema es u
nica. Si las
lneas son paralelas, pero no coinciden, no hay solucion. Pero si las lneas son paralelas
y coincidentes, entonces hay un n
umero infinito de soluciones.
Consideremos ahora un sistema lineal de ecuaciones 33. Cada ecuacion representa
un plano. Si los planos se cortan en un u
nico punto, la solucion es u
nica. Si los planos
tienen una lnea en com
un o un plano, el sistema tiene infinitas soluciones. Y si los
planos son paralelos y diferentes, entonces no hay ninguna solucion.
Existe una manera de tratar de una sola vez por todas no solo ambos casos sino
tambien las generalizaciones correspondientes a altas dimensiones. La idea es como
sigue:
Consideremos el sistema

2x + 3y = 4
5x 6y = 7
Uno puede graficar las dos lneas, verificar que no son paralelas y que, por lo tanto,
se cortan en un u
nico punto y que por ende la solucion al sistema es u
nica. Veamos
ahora como se puede predecir que la solucion es u
nica con el determinante. Tenemos 7
pasos:
Paso 1. El vector (2, 3) es perpendicular a la lnea 2x + 3y = 4, mientras que el
vector (5, 6) lo es a la lnea 5x 6y = 7.
105
CAPITULO 3. EL DETERMINANTE
106
~1
N
~2
N
~2
N
~1
N
Figura 3.0. A un par de lneas asociamos un paralelogramo determinado por los

vectores normales.
Paso 2. Las lneas son paralelas, si lo son los vectores normales y las lneas no son
paralelas, si sus vectores normales no lo son. En nuestro ejemplo, los vectores normales
no son paralelos, por lo tanto, ya conocemos la respuesta: las lneas se cortan en un
u
nico punto y por consiguiente nuestro sistema tiene solucion u
nica. Veamos como
obtenemos la misma respuesta por el determinante.
Paso 3. Para saber si dos vectores son paralelos, formamos con ellos un paralelogramo y calculamos su area, a la cual vamos a llamar determinante: si el determinante
es cero, son paralelos, si el determinante no es cero, no son paralelos.
Paso 4. Cada lnea tiene una infinidad de vectores normales, pero que el determinante asociado a un sistema 22 sea cero o no, es algo que no depende de la escogencia
de los vectores normales.
Paso 5. Si el area del paralelogramo determinado por los vectores normales es diferente de cero, entonces el determinante es diferente de cero. En ese caso, el sistema
representado por las lneas tiene solucion u
nica. Pero si dicha area es cero, las lneas
son paralelas y puede ser que nunca se corten, en cuyo caso la solucion es vaca; o que
las lneas coincidan, y en ese caso hay infinitas soluciones todas sobre la recta dada.
Paso 6. Por lo tanto, si el determinante es diferente de cero, hay solucion u
nica. Si
el determinante es cero, la solucion no es u
nica, puede ser porque no exista solucion o
puede ser porque haya infinidad de soluciones.
Paso 7. Como todo depende del area del paralelogramo generado por los vectores
normales, pues debemos calcular dicha area. Lo haremos en la siguiente seccion, pero
pondremos la mira en sistemas lineales n n cualesquiera. Alla no tendremos area
sino volumen generalizado, que tambien puede llamarse determinante (aunque hay una
peque
na diferencia).
3.2.
Paraleleppedos = plps
Un paraleleppedo, plp, es la generalizacion a n dimensiones de un paralelogramo.

La descripcion algebraica de un plp se basa en un sencilla observacion:
3.2. PARALELEPIPEDOS = PLPS
107
Figura 3.1. Aristas basicas de un plp.
Una cara esta determinada por dos vectores pues las aristas opuestas son segmentos
paralelos a los vectores dados. Por lo tanto, si se enuncian las aristas o vectores que
salen de un vertice cualquiera, quedaran generadas todas las caras que salen de dicho
vertice y ademas, todas las otras caras del plp se construyen por paralelismo. Por lo
tanto, un plp esta completamente descrito por las aristas que parten de un vertice
dado.
236. Definici
on. Un n-plp P anclado en el origen de Rn es un conjunto ordenado
de n vectores P = [~u1 , ..., ~un ], que son las aristas que parten del origen. Ordenamos
las aristas diciendo cual es la primera, la segunda,...Observemos que en esta definicion
s
olo tenemos las aristas. Uno tambien puede rellenar las caras o rellenar todo el plp. Si
~ P relleno ssi X
~ = 1~u1 + ... + n~un
queremos rellenar todo el plp, se procede as: X
donde los escalares i pueden tomar valores entre cero y uno.
237. Ejemplo Un paralelogramo es un 2-plp. El cubo unitario es un 3-plp dado por

[~i, ~j, ~k].
A los n-plps se les puede calcular el volumen. El 1-volumen de un 1-plp es la norma
del u
nico vector que lo forma. El 2-volumen de un 2-plp es su area. El 3-volumen de un
3-plp es su volumen com
un y corriente. Calculemos el 2-volumen de un 2-plp, es decir,
el area de un paralelogramo.
238. Teorema. Si un 2-plp est
a dado por [(a, b), (c, d)] su 2-volumen est
a dado
por ad bc (cuando sea negativo, t
omese el valor absoluto).
Demostraci
on. Inscribimos al 2-plp en el rectangulo que tiene todas sus aristas paralelas a los ejes y que contiene el origen del plp y el vertice opuesto. El area del 2-plp es
entonces el area de dicho rectangulo menos el area de todo lo que esta por fuera del plp
pero por dentro del rectangulo: dos triangulos y dos rectangulos y otros dos triangulos.
108
(a + c, b + d)
b
c
(c, d)
d
(a, b)
a
c
b
a+c
Figura 3.2. Geometra del determinante.

El area es entonces
A = (a + c)(b + d) 2[ab/2 + cb + cd/2] = ab + ad + cb + cd ab 2bc dc = ad bc.
Observemos que astutamente cuadramos el dibujo para lograr que A = ad bc > 0
y as no tener que preocuparnos por la posibilidad real de obtener una area negativa.
Eso se debe a que dibujamos los 2 vectores del 2-plp para que quedaran ordenados como
el 2-plp [~i, ~j]: si rotamos 90 grados en direccion contraria a las manecillas del reloj al
vector ~i, se obtiene el vector ~j. Y eso nos garantiza que nuestro procedimiento para
calcular el area del 2-plp [~i, ~j] de como resultado un n
umero positivo. En general, cada
forma de ordenar los vectores de un n-plp se llama una orientacion. Todos nuestros
Rn estan orientados de la manera natural, la cual es dada por el n-plp unitario, cuyo
jesimo vector tiene un uno en la j-esima coordenada y cero en las demas. Por ejemplo,
la orientacion natural de R3 es la de [~i, ~j, ~k] = [(1, 0, 0), (0, 1, 0), (0, 0, 1)] que tambien
se llama de la mano izquierda.
239. Ejemplo Calculemos el 2-volumen de [(1, 1), (2, 2)]. Es 1 2 2 1 = 0, lo

que significa que dos vectores colineales generan un plp cuyo volumen es cero.
240. Ejercicio Calcule el 2-volumen de los 2-plps dados por

a) [(1, 1), (2, 3)]
b) [(1, 1), (2, 3)]
c) [(0, 1), (1, 0)]
d) [(1, 0), (0, 1)].
241. Ejemplo Usemos la teora del determinante para saber si el sistema siguiente
tiene solucion u
nica o no:

2x + 3y = 4
5x 6y = 7
109
El vector (2, 3) es perpendicular a la lnea 2x+3y = 4, en tanto que el vector (5, 6)

lo es a la lnea 5x 6y = 7. Como (2, 3) no es un m
ultiplo escalar de (5, 6), dichos
vectores no son paralelos. Por lo tanto, forman un paralelogramo cuya area no es cero,
por consiguiente, la solucion es u
nica. Esa respuesta puede sacarse automaticamente
como sigue:
El 2-volumen del paralelogramo generado por los vectores normales es, aplicando
ad cb es, (2)(6) (5)(3) = 12 15 = 27. Como el determinante es diferente de
cero, los vectores normales no son paralelos, por lo tanto, las lneas correspondientes
tampoco, por lo que ellas se cortan en un u
nico punto, de donde se deduce que el
sistema tiene solucion u
nica.
242. Ejercicio Use la teora del determinante para decidir si los siguientes sistemas
tienen solucion u
nica o no.
a) x + y = 2, 2x + 3y = 5
b) x y = 4, 2x 3y = 4
c) y = 4, x = 2
d) x = 4, y = 1.
243. Definici
on. El determinante de un 2-plp definido por [(a, b), (c, d)] es
ad bc y se nota como

a c
Det(P ) =
b d

= ad bc.

El 2-volumen es igual al valor absoluto del determinante.

Nuestra notacion se generaliza naturalmente a n-plps: el 3-volumen de un 3-plp
P = [(a, b, c), (d, e, f ), (g, h, i)] sera el n
umero notado

a d g

Det(P ) = b e h
c f i
Calcular este n
umero por geometra para que represente el volumen de una caja
es todo un reto que cada quien puede enfrentar. Pero en realidad eso es bastante mas
complicado y menos general que el siguiente proceso algebraico.
244. Teorema. El 2-det tiene las siguientes propiedades:
a) Det(~u, ~u) = 0, un plp generado por un solo vector tiene volumen cero.
b) Det(~u, ~v ) = Det(~u, ~v ), si se alarga una arista del plp, su volumen se amplifica
consecuentemente.
c) Det(~u, ~v ) = Det(~v , ~u), una permutacion de los vectores o aristas cambia el
signo. Se dice que el determinante es una funcion alternada.
d) Det(~u, ~v + w)
~ = Det(~u, ~v )+Det(~u, w),
~ la suma en cada entrada del determinante
se reparte. Teniendo en cuenta esta propiedad y la b, se dice que el determinante es
multilineal.
110
e) Det(~i, ~j) = 1, el volumen del 2-plp unitario es 1.

f) El determinante tiene signo mas o menos, y para hallar el area se toma el valor
absoluto.
245. Ejercicio Ilustre graficamente el teorema anterior para que parezca obvio.
246. Ejercicio Explique la siguiente contradiccion:
det
pero por otro lado:
Det
2 4
6 8
2 4
6 8
= 16 24 = 8

1 2
1 2
= 2(4 6) = 4.
= 2Det
= Det 2
3 4
3 4
247. Definici
on. El determinante es un n
umero asociado a un n-plp y que goza
de la generalizaci
on natural de todas las propiedades dadas en el teorema 244 para 2D.
248.
Ejemplo
Calculemos el 3-volumen de P = [(a, b, c), (d, e, f ), (g, h, i)].
Desarrollo. Para utilizar las propiedades del determinante, reescribimos el plp P en

notacion vectorial y no de coordenadas:
P = [(a~i + b~j + c~k), (d~i + e~j + f ~k), (g~i + h~j + i~k)].
Tenemos
Det(P ) =Det(a~i + b~j + c~k, d~i + e~j + f ~k, g~i + h~j + i~k)
Ahora repartimos las sumas de la primera entrada:
Det(P ) =Det(a~i, d~i + e~j + f ~k, g~i + h~j + i~k)+Det(b~j, d~i + e~j + f ~k, g~i + h~j + i~k)+
+Det(c~k, d~i + e~j + f ~k, g~i + h~j + i~k).
Repartamos las sumas de la segunda entrada en el primer renglon de la expresion
anterior:
Det(a~i, d~i+e~j +f ~k, g~i+h~j +i~k) = Det(a~i, d~i, g~i+h~j +i~k)+ Det(a~i, e~j, g~i+h~j +i~k)+
+Det(a~i, f ~k, g~i + h~j + i~k).
Repartimos las sumas de la tercera entrada del primer renglon:
Det(a~i, d~i, g~i + h~j + i~k) = Det(a~i, d~i, g~i)+ Det(a~i, d~i, h~j)+ Det(a~i, d~i, i~k).
Sacamos las constantes:
Det(a~i, d~i, g~i + h~j + i~k) = adgDet(~i,~i,~i)+ adhDet(~i,~i, ~j)+ adiDet(~i,~i, ~k).
Observemos que el volumen de un 3-plp apachurrado (que cabe en un plano) es
cero. Por esto los tres determinantes anteriores dan cero:
Det(~i,~i,~i) = Det(~i,~i, ~j) = Det(~i,~i, ~k) = 0
Reflexionemos ahora un poco, en un determinante casi todo da cero. Que es lo
que no da cero? Pues solo aquellos casos en los cuales llegamos a un plp elemental (un
cubo permutado) no apachurrado. Por tanto,
111
Det(P ) = Det(a~i + b~j + c~k, d~i + e~j + f ~k, g~i + h~j + i~k)
=Det(a~i, e~j, i~k)+ Det(a~i, f ~k, h~j)+ Det(b~j, d~i, i~k)+ Det(b~j, f ~k, g~i)+
+Det(c~k, d~i, h~j)+ Det(c~k, e~j, g~i).
Sacamos las constantes:
= aeiDet(~i, ~j, ~k)+ af hDet(~i, ~k, ~j)+ bdiDet(~j,~i, ~k)+ bf gDet(~j, ~k,~i)+
+cdhDet(~k,~i, ~j)+ cegDet(~k, ~j,~i).
Permutemos los vectores para convertirlos en un cubo unitario con determinante
positivo:
aeiDet(~i, ~j, ~k) = aei
af hDet(~i, ~k, ~j) = af hDet(~i, ~j, ~k) = af h
bdiDet(~j,~i, ~k) = bdiDet(~i, ~j, ~k) = bdi
bf gDet(~j, ~k,~i) = bf gDet(~j,~i, ~k) = bf gDet(~i, ~j, ~k) = bf g
cdhDet(~k,~i, ~j) = cdhDet(~i, ~k, ~j) = cdhDet(~i, ~j, ~k) = cdh
cegDet(~k, ~j,~i) = cegDet(~k,~i, ~j) = cegDet(~i, ~k,~i) = cegDet(~i, ~j, ~k)
= ceg.
Resumiendo:
Det(P ) = Det(a~i + b~j + c~k, d~i + e~j + f ~k, g~i + h~j + i~k)
= aei af h bdi + bf g + cdh ceg = a(ei f h) d(bi ch) + g(bf ce).
Lo anterior se puede reescribir de una manera muy nemotecnica, si se entiende que
el determinante de las matrices con estrellas es el determinante de las matrices 2 2
que quedan al quitar las estrellas:

a

Det(P ) = b
c
dDet b
= aDet e h
c
f i
= a(ei f h) d(bi ch) + g(bf ce)

d g
e h
f i

h + gDet b e
c f
i
249. Ejemplo Usemos el Det para calcular el 3-volumen del 3-plp

[(1, 1, 6], (2, 3, 2), (3, 5, 4)].

1

Det(P ) = 1
6
2Det 1
= 1Det 3 5
6
2 4

2 3
3 5
2 4
5 + 3Det 1 3
6 2
4
= 1(3 4 2 5) 2(1 4 6 5) + 3(1 2 6 3)

= 2 2(34) + 3(20) = 2 + 68 60 = 10.
112
250. Definici
on. El determinante de una matriz n n es el determinante del
n-plp definido por las columnas de la matriz. De esta forma podemos identificar una
matriz con el plp formado por sus columnas.
251. Ejercicio Calcule los siguientes determinantes.

1
0 3

a) 1 3 5
6
1 4

7
5 3

b) 1 3 3
2
0 5

1

2
3

2
c) 7 8
1 1
1

1
0
3

d) 0 3 0
6 1 4
252. Teorema. Para una matriz A, n n, y un escalar k tenemos que

Det(kA) = k n DetA
Demostraci
on. El determinante de A es el determinante del n-plp formado por las
columnas de A, los cuales son vectores de Rn . Podemos escribir
Det(A) = Det(~c1 , ~c2 , ..., ~cn )
donde las ~ci son las columnas de A. Multiplicar A por k significa multiplicar cada
entrada de A por k, y por lo tanto, cada columna tambien queda multiplicada por k:
Det(kA) = Det(k~c1 , k~c2 , ..., k~cn )
Teniendo en cuenta que el determinante es multilineal, la constante puede salir de
la primera columna:
Det(kA) = kDet(~c1 , k~c2 , ..., k~cn )
y tambien puede salir de la segunda:
Det(kA) = k 2 Det(~c1 , ~c2 , ..., k~cn )
y saliendo de todas, obtenemos:
Det(kA) = k n Det(~c1 , ~c2 , ..., ~cn ) = Det(A).
Para memorizar este resultado, lo que uno tiene que tener en cuenta es que si uno
tiene un rectangulo de area ab, y si cada lado se multiplica por k, el area se convierte
en (ka)(kb) = k 2 ab.
113
253. Ejercicio Hemos definido el determinante de una matriz nn como el Det del
n-pln definido por sus columnas. Pero las matrices vienen de sistemas de ecuaciones
y nosotros introdujimos los determinantes para que representaran el volumen del n-plp
formado por los vectores normales a cada lnea, plano o correspondiente generalizaci
on.
Dichos vectores normales pueden leerse directamente en los renglones de la matriz y
no en las columnas. Acaso definimos mal el determinante de una matriz?
Nos interesa el determinante para decidir si un sistema de ecuaciones tiene solucion
u
nica o no. Una de las formas como esa decision puede justificarse es como sigue:
Cada ecuacion de un sistema de n ecuaciones con n incognitas representa una entidad geometrica llamada hiperplano. En un sistema nn uno considera la interseccion
de n hiperplanos. Si ellos se cortan en un u
nico punto, el sistema correspondiente tiene
solucion u
nica. Si hay al menos dos de ellos paralelos, pero que no se toquen, la solucion
es vaca. Si todos los hiperplanos coinciden, la solucion es el hiperplano de coincidencia.
Para determinar la forma de interseccion entre los hiperplanos, calculamos el determinante del n-plp formado por los vectores normales asociado al conjunto de hiperplanos.
Si dicho volumen es cero, hay paralelismo entre los vectores normales y, por tanto, o
hay una infinidad de soluciones o no hay solucion. Si dicho volumen no es cero, los
hiperplanos van cada uno por su lado y, por lo tanto, se cortan en un u
nico punto y la
solucion al sistema es u
nica.
En cierta forma, ya hemos terminado de ver la teora referente a sistemas lineales
con una u
nica solucion. Eso se debe a que una vez sepamos que la solucion es u
nica,
uno puede buscarla por cualquier metodo, reemplazar para verificarla y olvidarse de
soluciones espurias. Pero cuando la solucion no es u
nica, nos queda por averiguar si las
soluciones quedan, por ejemplo, sobre un plano o si quedan sobre una lnea o si no hay
solucion. Por eso que la teora de sistemas lineales es algo que nos va a llevar tiempo y
requerira nuevos puntos de vista que elaboraremos a partir del proximo captulo.
254. Ejercicio Asocie un sistema de ecuaciones a cada una de las matrices del
ejemplo 251 y prediga si dicho sistema tiene solucion u
nica o no.
Seg
un hemos visto, el determinante es un n
umero, un escalar, que determina si la
solucion de un sistema lineal es u
nica o no. Usando el mismo protocolo que en el calculo
del determinante, uno puede asociar a un par de vectores en el espacio 3D un tercer
vector, llamado producto cruz, que es perpendicular a los dos primeros. En el protocolo
del producto cruz usamos los smbolos ~i, ~j, ~k para indicar vectores de largo uno en las
direcciones de los ejes coordenados.
255. Notaci
on para el producto cruz. Sea ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ),
notamos el producto cruz entre esos dos vectores mediante el siguiente simbolismo:
~i ~j ~k
~u ~v = Det u1 u2 u3
v1 v2 v3
Recalquemos que en el primer renglon hay vectores, pero en los otros dos van
coordenadas. Por eso, lo que nuestra definicion dice es que se calcule simbolicamente
114
este determinante usando las mismas reglas del determinante ordinario, pero que el
resultado se interprete como un vector, cuyas componentes son las siguientes:
~u ~v
~u
~v
Figura 3.3. El producto cruz.

= ~iDet u2 u3 ~jDet u1 u3 + ~kDet u1 u2
v1 v2
v1 v3
v2 v3
256. Ejemplo Calculemos (1, 2, 3) (4, 5, 6) y verifiquemos que es perpendicular a

ambos vectores:

~i
1
4
~j
2
5
~k
3
6

= ~iDet 2 3 ~jDet 1 3 + ~kDet 1 2
4 5
4 6
5 6
= ~i(3) ~j(6) + ~k(3) = 3~i + 6~j 3~k = (3, 6, 3)

Verifiquemos la perpendicularidad:
(1, 2, 3) (3, 6, 3) = 3 + 12 9=0
(4, 5, 6) (3, 6, 3) = 12 + 30 18 = 0.
257. Ejercicio Demuestre que el producto cruz cumple las propiedades siguientes:
a) Si los dos vectores que se van a multiplicar estan en el plano XY, la tercera coordenada es cero y el producto cruz coincide con el determinante de los vectores
considerados como elementos del plano (con dos coordenadas). En ese caso, demuestre que k~u ~v k = k~uk ||~v k sen , donde es el angulo entre los dos vectores, lo
cual da el area del plp expandido por los dos vectores.
115
b) Sin un solo calculo, demuestre que para cualquier par de vectores del espacio se
cumple que k~u ~v k = k~uk ||~v k sen .
c) Demuestre que el 3-volumen de un 3-plp [~u, ~v , w],
~ que es igual al valor absoluto de
su determinante, tambien es igual al valor absoluto de (~u ~v ) w.
~
258. Ejemplo y ejercicio Cuando el determinante de la matriz asociada a un
sistema de n ecuaciones de n inc
ognitas es diferente de cero, el sistema tiene solucion
u
nica. Dicha solucion puede escribirse en terminos de determinantes. Para un sistema
2 2 de la forma

ax + by = m
cx + dy = n
la solucion puede escribirse como:
m
Det
n
x=
a
Det
c
b
d
b
d
a
Det
c
y=
a
Det
c
m
n
b
d
lo cual puede probarse por sustitucion directa (ejercicio).

259. Ejercicio Observe la estructura de las expresiones de la solucion del ejemplo
anterior y generalice para sistemas de 3 inc
ognitas con 3 ecuaciones que tengan solucion u
nica. Invente una notacion que pueda generalizarse para cualquier sistema de n
ecuaciones con n inc
ognitas.
260. Ejercicio Invente ejercicios que ilustren los descubrimientos hechos en el ejercicio anterior.
261. Ejercicio Demuestre que el determinante de una matriz escalonada superior
(que tenga ceros abajo de la diagonal) es el producto de los elementos de la diagonal.
262. Intriga Debido a que en las aplicaciones uno puede encontrarse con sistemas
de muchas variables, vale la pena preguntarse cual podra ser una manera eficiente
de calcular determinantes de matrices grandes. A la luz del resultado del ejercicio anterior, valdra la pena escalonar la matriz original (se transforma por Gauss-Jordan
en otra que tenga ceros debajo de la diagonal). El determinante de la matriz original seguramente este relacionado con el determinante de la matriz escalonada. Pero,
c
omo?
La orientaci
on tiene importancia en muchas
areas de la ciencia. La idea
de determinante surgio de la necesidad de calcular vol
umenes de plps en cualquier
dimension. Por eso siempre habamos tomado el valor absoluto del determinante y el
signo lo ignorabamos. Pero en realidad, el signo del determinante tiene una utilidad
sin igual y es que distingue la mano derecha de la izquierda.
116
En efecto, si el dedo pulgar de la mano izquierda representa el eje X (~i), el anular el

Y (~j) y el ndice el Z (~k), la mano izquierda genera el plp [~i, ~j, ~k] cuyo determinante es
+1. Decimos que la orientaci
on de la mano izquierda es el Det[~i, ~j, ~k], en ese orden, y
que la mano izquierda tiene orientacion positiva. En contraste, la mano derecha tiene
orientacion negativa: si el dedo pulgar de la mano derecha representa el eje X (~i), el
anular el Y (~j) y el ndice el Z (~k), la mano derecha genera un plp, para lo cual primero
se numera el piso, de izquierda a derecha y despues el eje Z y el plp es (~j,~i, ~k) cuyo
determinante es 1. Decimos que la orientacion de la mano derecha es el Det(~i, ~j, ~k), en
ese orden, y que la mano derecha tiene orientacion negativa. Cientficamente, la forma
como se numeran los elementos de un plp se llama quiralidad y uno habla de quiralidad
derecha o izquierda. La quiralidad es notada usualmente como L(left) o R(right) pero
a los qumicos les gusta R la primera letra de la palabra latina rectus (derecha) o S,
la primera letra de la palabra latina sinister (izquierda).
El problema de la quiralidad se reduce algunas veces a distinguir si se esta a la
derecha o a la izquierda de un eje de referencia y, por ende, a definir la forma como
un objeto es asimetrico. Un caso que siempre causa curiosidad se relaciona con las
mutaciones que cambian la posicion de los organos del cuerpo. En la gran mayora
de humanos, el corazon, el pancreas y el bazo quedan a la izquierda, mientras que el
hgado queda a la derecha. Pero de vez en cuando los noticieros reportan un mutante
que tiene todo al reves y que se desenvuelve tan bien como los normales.
El problema de la quiralidad en qumica consiste en predecir por las leyes de la
fsica el origen de la quiralidad molecular, la forma espacial adoptada por algunas
moleculas que se orientan, bien como la mano derecha, bien como la izquierda en vez
de ser simetricas. La mecanica cuantica es en principio la que tiene la palabra, la
cual es, sin exagerar, un captulo del algebra lineal y ella predice que no debe haber
distincion entre derecha e izquierda. La prediccion de la mecanica cuantica es facil
de entender: la diferencia entre derecha e izquierda se percibe en mecanica cuantica
por un signo que puede ser positivo o negativo. Pero en mecanica cuantica, dicho signo
aparece al cuadrado, por tanto, no importa el signo, lo cual quiere decir que la mecanica
cuantica no puede distinguir entre derecha e izquierda y, por lo tanto, no puede explicar
estructuras asimetricas. Sin embargo, muchas moleculas tienen quiralidad, asimetra
espacial. Este problema ha llegado a ser tan grande que se enmarca dentro de una
tematica desafiante: como nacen las propiedades de los sistemas complejos que desafan
las leyes establecidas para sistemas simples? (Primas, 1983).
La orientacion o quiralidad es importante en bioqumica: muchos tipos de moleculas
de los seres vivos forman estructuras espaciales y pueden quedar como la mano izquierda
L o como la derecha R. Todos los aminoacidos, los componentes de las protenas, son
L. La dextrosa es R. Diversas moleculas pueden tener la misma formula estructural
pero diferente organizacion espacial y conllevar a diversas propiedades biologicas. La
forma como llegamos a saberlo fue porque un compuesto llamado talidomida, que se
usaba como sedante en los a
nos 1950, produjo unos 10.000 bebes en todo el mundo con
malformaciones geneticas. Investigando, se llego a la conclusion de que la causa tena
que ver con la organizacion espacial de los atomos en formas quirales (Talidomida en
Wikipedia, 2009).
La quiralidad es importante en antropologa: las formas R y L de un sitio orientable
117
de una molecula no son estables sino que, debido al efecto t

unel de la mecanica cuantica,
una molecula puede cambiar de una estructura a la otra. Eso lleva tiempo y para los
aminoacidos la vida media del estado L es alrededor de un millon de a
nos, lo cual
permite estimar la edad de fosiles muy antiguos (Snakefly, 2009).
La orientacion tambien es importante en fsica de partculas elementales, por ejemplo, algunos experimentos no se pueden explicar a menos que se asuman neutrinos de
quiralidad izquierda (Halzen y Martin, 1984).
El siguiente ejercicio muestra un detalle de como se vive la orientacion en geometra
diferencial y fsica matematica (Nash y Sen, 1983).
263. Ejercicio La cinta de M obius es como un cintur
on que antes de cerrarlo se le
da media vuelta a la correa y al cual se le recorta la parte de cuero que quede fuera de
la chapa.
a) Pruebe experimentalmente que la cinta de M obius tiene s
olo una cara. Es decir,
si uno da un recorrido cerrado a lo largo de la cinta, uno termina recorriendo toda la
correa por ambas caras del cintur
on.
b) Dibuje sobre un pedacito de papel el plp [~i, ~j]. Ponga el papelito sobre la cinta
de tal forma que parezca el plano XY. Transporte el plp sin girarlo a lo largo de la
cinta hasta que llegue al mismo lugar. Demuestre que despues de un viaje cerrado, el
plp original se transforma en [~i, ~j]. Por eso decimos que la cinta de M obius no es
orientable.
3.3.
1. Use la geometra del determinante para decidir si los siguientes sistemas tienen
solucion u
nica o no. Por favor, haga graficas adecuadas que demuestren la naturalidad de todos los conceptos utilizados.
(a) x = 1, y = 2.
(b) x y = 2, 2x 9y = 5.
(c) x + y = 1, 2x 3y = 4.
(d) x = 0, y = 0, z = 0.
(e) x = 1, y = 1, z = 1.
(f) x + y + z = 1, x y + z = 2, x y z = 3.
2. Sea A una matriz 4 4 con Det(A) = 3, halle Det(2A).
3. Sean A, B matrices 4 4 con Det(A) = 3 y Det(B) = 8. Halle Det(2A + 9B).
4. Calcule el volumen del plp generado por los 3 vectores: (1, 1, 1), (2, 1, 3), (1, 3, 1).
Use dos metodos, el del determinante y el otro que utiliza tanto el producto cruz
como el producto punto.
5. Halle por el metodo de Kramer las soluciones a los sistemas de ecuaciones del
punto uno.
118
3.4.
Resumen
El determinante de una matriz M es un n

umero que predice si un sistema de
ecuaciones asociado a M tiene solucion u
nica o no. Si el determinante es diferente
de cero, el sistema tiene solucion u
nica, la cual puede buscarse por cualquier metodo,
por ejemplo, por Kramer. Pero si el determinante es cero, puede pasar que no haya
solucion o que haya una infinidad de soluciones. Nosotros sabemos esto y tambien
sabemos claramente el porque.
CAPITULO
4
DEPENDENCIA E INDEPENDENCIA LINEAL
Cuando un sistema tiene solucion u

nica, lo cual puede averiguarse con el determinante, uno puede hallar la solucion por cualquier metodo, verificarla e interpretarla
como un punto en el espacio. Y ya no hay nada mas que hacer. Pero cuando la solucion
no es u
nica, los problemas empiezan con la incertidumbre de no saber si no hay solucion
o si hay una infinidad de soluciones que quedan tal vez sobre una recta, o sobre un
plano o sobre algo mas extendido. Para resolver esa incertidumbre necesitamos profundizar la tematica. Curiosamente, eso no implica grandes maravillas sino simplemente
aclarar los peque
nos detalles que andan por ah medio perdidos entre tanto material y
ponerlos a funcionar en una gran maquinaria.
Un primer detalle es la posibilidad de combinar los elementos de un EV con multiplicacion por escalares y sumandolos entre ellos. Comenzamos elaborando esa posibilidad con el estudio del plano R2 . Resulta que su dimensionalidad dos no juega ning
un
papel especial y que algunos conceptos importantes validos en el plano tienen sentido
en tanto en cualquier dimension como en cualquier espacio vectorial, como puede ser
el espacio de los polinomios de grado menor o igual que n.
4.1.
Combinaciones lineales
Los elementos del plano R2 se notan (x, y) que de acuerdo con Descartes inmediatamente dan la posicion donde queda dicho elemento. Hagamos la siguiente observacion:
(x, y) = (x, 0) + (0, y) = x(1, 0) + y(0, 1)
lo que esto significa es que cualquier punto del plano XY es simplemente un resultado de combinar apropiadamente el conjunto de vectores {~i = (1, 0), ~j = (0, 1)}. En el
presente contexto, combinar vectores significa simplemente multiplicar por constantes
y sumar.
En general, los vectores pueden sumarse, y un vector cualquiera puede multiplicarse por una constante. Por ahora, no tenemos ning
un modo general de multiplicar
vectores en cualquier EV de tal forma que el resultado del producto sea un vector. Hay
que advertir que nosotros hemos considerado el producto interno pero tal producto da
n
umeros y no vectores; tambien consideramos el producto cruz, pero lo definimos por
119
120
CAPITULO 4. DEPENDENCIA E INDEPENDENCIA LINEAL
una construccion que tena sentido solo en 3 dimensiones. As que no tenemos multiplicacion de vectores ni mucho menos division. Con lo permitido hasta ahora, dados
dos vectores ~u, ~v todo lo que puede hacerse se reduce a multiplicarlos por un escalar y
luego sumarlos, produciendo as lo que llamamos una combinaci
on lineal de los dos
vectores. Especficamente tenemos:
264. Definici
on. Dado un conjunto de vectores B = {~v1 , ~v2 , ..., ~vn } de un espacio
vectorial V , una combinaci
on lineal de B es una expresi
on del tipo
w
~ = 1~v1 + 2~v2 + ... + n~vn con 1 , 2 , ..., n n
umeros reales.
265. Ejemplo y contraejemplo El vector (2, 13) es combinacion lineal del conjunto B = {(1, 3), (4, 5)} pues 6(1, 3) (4, 5) = (6, 18) (4, 5) = (2, 13) (se sobreentiende
que estamos trabajando en R2 ). Sin embargo, el vector (1, 1) no es combinacion lineal
del conjunto B = {(1, 0), (3, 0)} pues si as fuese, existiran constantes y tales que
(1, 1) = (1, 0) + (3, 0) lo cual implicara que (1, 1) = ( + 3, 0) de donde se deduce,
mirando las segundas coordenadas, que 1 = 0 lo que es una contradiccion.
266. Definici
on. Dado B subconjunto finito de un espacio vectorial V, el conjunto
generado por B es el conjunto que re
une todas las combinaciones lineales que se pueden
hacer con los elementos de B y se nota gen(B).
267.
Ejemplo y contraejemplo Tomemos el plano R2 :
La igualdad
(x, y) = (x, 0) + (0, y) = x(1, 0) + y(0, 1), donde x, y son reales,
dice que el plano R2 es el conjunto de todas las combinaciones lineales de {~i, ~j} o que
el plano es generado por el conjunto de vectores {~i, ~j}. Cuando x > 0, y > 0 se genera
el primer cuadrante. Si x < 0, y > 0 se genera el segundo cuadrante. Si x < 0, y < 0 se
genera el tercer cuadrante. Si x > 0, y < 0 se genera el cuarto cuadrante.
Pero, por otra parte:
(x, y) = (x, y) = (x, 0) + [(0, y]) = x(1, 0) + (y)(0, 1)
lo cual dice que el plano tambien es el conjunto de todas las combinaciones lineales
de {~i, ~j}.
Mas a
un, el conjunto de vectores D = {~u = (1, 1), ~v = (1, 1)} tambien genera
todo el plano. Eso se demuestra probando que los vectores que generan el plano, {~i, ~j},
tambien son generados por D. En efecto : (1, 1) (1, 1) = (2, 0) por lo que
~i = (1/2)(1, 1) (1/2)(1, 1). Ademas, (1, 1) + (1, 1) = (0, 2) por lo que
~j = (1/2)(1, 1) + (1/2)(1, 1).
Sin embargo, el plano no es generado por el conjunto de vectores
D = {~u = (1, 1), ~v = (3, 3)},
pues ambos vectores de ese conjunto generan la misma lnea. Es decir, las combinaciones lineales de {~u, ~v } producen la misma lnea que las combinaciones lineales de
{~u} o {~v }.
De esta manera se distinguen 2 clases de conjuntos de vectores. Veamos la primera:
268. Definici
on. Un conjunto de vectores se dice que es LD (linealmente
dependiente) cuando uno cualquiera de ellos es combinacion lineal de los otros. Es
decir, cuando hay redundancia de vectores en el conjunto.
4.1. COMBINACIONES LINEALES
121
Podemos clarificarlo un poco mejor:

269. Teorema. Si un conjunto finito de vectores B es linealmente dependiente,
entonces existe la forma de quitarle alg
un vector, notemoslo w,
~ de tal forma que el
conjunto resultante B {w}
~ queda generando el mismo conjunto que B.
Demostraci
on. Supongamos que un vector cualquiera de ellos, notemoslo w,
~ es combinacion lineal de los otros, w
~ = 1~v1 + 2~v2 + ... + n~vn , con lo cual estamos diciendo que
B = {~v1 , ..., ~vn , w}.
~ Entonces una combinacion lineal cualquiera de B es una expresion
del tipo
~z = 1~v1 + ... + n~vn + w
~ = 1~v1 + ... + n~vn + (1~v1 + 2~v2 + ... + n~vn )
lo cual es una combinacion lineal del conjunto en el cual w
~ no aparece. Por lo que
w
~ no a
nade nada nuevo y puede ser suprimido sin que B pierda capacidad generatriz.
270. Comentarios y ejercicios En la demostraci
on del teorema anterior usamos
la poderosa capacidad humana de razonar y no fuimos muy formales. Con todo, es
conveniente tener presente lo que la formalidad exige. En primer termino, podemos
escribir el teorema anterior as: si un conjunto finito B es LD entonces existe w
~ B
tal que gen(B) = gen(B {w}).
~
Ahora bien, para demostrar que dos conjuntos A y B son iguales hay que demostrar
dos cosas, que A B, el primer conjunto est
a contenido en el segundo (que todos
los elementos del primer conjunto est
an en el segundo) y viceversa, que B A o
sea que el segundo conjunto est
a contenido en el primero (todos los elementos del
segundo conjunto est
an en el primero). Pues bien, nuestra demostraci
on solamente
prueba que gen(B) gen(B {w}).
~
Pero faltara hacer la segunda parte y demostrar
que gen(B {w})
~ gen(B). No lo hicimos porque nos parece obvio que si un conjunto
est
a contenido en otro entonces sus conjuntos generados guardan la misma relacion.
Por otro lado, tambien es cierto que si para un conjunto finito B se tiene que existe
w
~ B tal que gen(B) =gen(B {w}),
~
entonces ese conjunto es LD. Demostrarlo
queda de ejercicio.
Reuniendo el teorema con el ejercicio podemos decir sucintamente: un conjunto
finito B es LD ssi (si y s
olo si) existe w
~ B tal que gen(B) =gen(B {w}).
~
Vemos
que para demostrar una proposicion de la forma
p ssi q
hay que demostrar dos cosas, que a partir de p se puede concluir q y que de q se
puede concluir p.
No todos los conjuntos de vectores son LD, y como son tan importantes, merecen
un nombre.
271. Definici
on y ejemplo. Un conjunto es LI (linealmente independiente) si no es LD. Por ejemplo, el conjunto {~i, ~j} es LI. Lo mismo el conjunto
{(1, 2), (1, 3)}.
122
Decimos que un conjunto A es estrictamente mayor que otro B cuando A contiene

a B, pero A tiene al menos un elemento mas que B.
272. Teorema y ejercicio. Un conjunto de vectores B es LI ssi todo elemento
de B es esencial en el sentido que el conjunto generado por B es estrictamente mayor
que el generado por el conjunto que resulta de quitarle un vector cualquiera a B.
Demostraci
on: ejercicio
4
(2,4)
(-1,3)
(1,2)
-1
(0.5,-1.5)
-2
-2
-1
(1,-2) 2
Figura 4.0. Conjuntos LD:

{(1, 2), (2, 4)}, {(1, 2), (2, 4), (1, 3)}, {(1, 3), (0,5, 1,5)}.
Conjuntos LI: {(1,2), (-1,3)}, {(1,2),(0.5,-1.5)},{(-1,3)(0.5,-1.5)},{(2,4),(1,-2)}.
273. Interpretaci
on geom
etrica. Los conceptos LD, LI tienen contraparte geometrica que en algunos casos simplifica las tareas. Citemos algunos ejemplos:
Primero que todo, consideremos dos vectores no nulos paralelos, el uno m
ultiplo del
otro. El primero determina una lnea. El segundo determina la misma lnea. Los dos
juntos determinan la misma lnea: son redundantes. Son dependientes. Pero si los dos
vectores dan lneas diferentes, entonces, ellos forman un conjunto LI, pues cada vector
da informacion independiente.
Consideremos el conjunto formado por el vector nulo y otro vector no nulo. El
vector nulo genera el origen. El otro vector genera una lnea que pasa por el origen.
El vector nulo es redundante: no da nada que no este en el espacio generado por el
segundo vector. Este conjunto es dependiente.
El vector ~i = (1, 0) genera el eje X, y el vector ~j = (0, 1) genera el eje Y. Entre los dos
generan todo el plano. Si a dichos ejes se les rota, dentro del plano, por separado para
que el angulo entre ellos quede agudo u obtuso o al reves, de todas formas generaran
todo el espacio, a menos que queden superpuestos o paralelos.
123
Consideremos 3 vectores en el plano en direcciones distintas. Ellos generan 3 lneas

diferentes. Y, sin embargo, forman un conjunto LD, la razon es que entre dos lneas
generan un plano. La tercera lnea no agrega nada nuevo. La tercera lnea es redundante.
Al igual que la primera es redundante con respecto a las otras dos. En definitiva, en el
conjunto de las 3 lneas hay redundancia. El conjunto de los 3 vectores es un conjunto
LD.
Consideremos 3 vectores en el espacio no totalmente contenidos en un plano. Forman
un conjunto LI. Pero si tomamos 4 vectores en el espacio, el conjunto formado es LD,
pues entre los 4 hay uno, al menos, que no a
nade informacion independiente de la que
ya aportan los otros.
274. Ejercicio Por inspeccion grafica diga cuales de los siguientes conjuntos de
vectores son linealmente independientes.
1. {(1, 1), (2, 3)}
2. {(1, 1), (1, 1)}
3. {(1, 1)}
4. {(1, 1), (0, 0)}
5. {(1, 1), (2, 2)}
6. {(1, 2), (2, 3), (1, 2)}
7. {(1, 2, 3)}
8. {(1, 2, 3), (2, 4, 6)}
9. {(1, 2, 3), (2, 4, 7)}
10. {(1, 2, 3), (2, 4, 7), (1, 0, 0)}
11. {(1, 2, 3), (2, 4, 7), (1, 0, 0), (0, 0, 1)}
12. Una fabrica produce sillas y escritorios, cuyas cantidades relativas con respecto a
la media las notamos (x, y). Observe cada uno de los conjuntos anteriores con vectores de R2 y prediga si se trata de fabricas clonadas u originales. Considere ahora
los vectores con tres coordenadas y piense en (sillas, escritorios, archivadores) y
tome los conjuntos de g) a k) y resuelva la misma pregunta.
Existe una forma totalmente automatica de decidir si un conjunto de vectores
es LD o no. La idea es simple y su prueba lo es a
un mas. Observemos el conjunto
S = {(1, 1), (2, 2)}. Este conjunto es LD puesto que el subconjunto s = {(1, 1)} genera
la misma lnea que S. Por eso, (2, 2) es redundante con respecto a s: es suficiente ver
que 2(1, 1) = (2, 2). O, lo que es lo mismo, 2(1, 1) (2, 2) = (0, 0). Existe otra forma
de leer esa igualdad: si comenzamos un viaje desde el origen y viajamos hasta 2(1, 1) y
despues viajamos al reves de (2, 2), entonces retornamos al origen: podemos hacer un
124
viaje redondo (que llega al mismo lugar de partida) combinando los elementos de S,
empezando y terminando en el origen.
275. Ejemplo La suma (3, 1) + (1, 2) = (4, 3) dice que el conjunto
S = {(1, 2), (3, 1), (4, 3)} es LD.
Pero esto es equivalente a decir que (3, 1) + (1, 2) (4, 3) = (0, 0), lo cual expresa
que si comenzamos desde el origen y viajamos hasta (3, 1) y despues caminamos lo
equivalente a (1, 2) y despues retrocedemos lo equivalente a (4, 3), entonces retornamos
al origen.
3
0
0
Figura 4.1. Un viaje redondo con un conjunto LD.

Pero cuando el conjunto S es LI, nosotros no podemos hacer un viaje redondo
que empiece y termine en el origen a menos que aniquilemos todos los elementos de
S multiplicandolos por la constante cero. Veamos como funciona eso para el conjunto
{(1, 1), (1, 1)}. Supongamos que podemos hacer un viaje redondo a partir del origen,
i.e. supongamos que existen escalares , tal que
(1, 1) + (1, 1) = (0, 0)
(, ) + (, ) = (0, 0)
( , + ) = (0, 0)
Esto nos da un sistema de dos ecuaciones con dos incognitas:
= 0, + = 0 Sumando obtenemos = 0 y restando queda que = 0. Es
decir, la u
nica forma de hacer un viaje redondo es anulando los recorridos.
276. Teorema del viaje redondo. Un conjunto B es LI ssi el u
nico viaje
redondo que permite es el viaje nulo. Un conjunto B es LD ssi existe un viaje no nulo
redondo que combina los elementos de B.
Demostraci
on. Si el conjunto B es LD, uno de sus vectores es redundante, notemoslo
w,
~ puede ser expresado como combinacion lineal de los otros y obtenemos una expresion
al estilo
w
~ = 1~v1 + ... + n~vn
donde no todos los escalares son cero y con lo cual estamos diciendo que
B = {~v1 , ..., ~vn , w}.
~ Esta expresion es equivalente a:
w
~ 1~v1 ... n~vn w
~ =0
125
Partiendo de la suposicion de que B es LD hemos construido un viaje no nulo y

redondo que empieza y termina en el origen.
Recprocamente: si tenemos partiendo del origen un viaje no nulo y redondo con
elementos de B, tenemos una expresion de la forma
1~v1 + ... + n~vn = 0
con alg
un coeficiente i distinto de cero y con lo cual estamos notando a B de
la forma B = {~v1 , ..., ~vn }. Se puede dividir por dicho coeficiente, pues no es cero, y
despues se puede despejar el correspondiente ~vi :
~vi = (j1 /i )~vj1 ... (jn1 /i )~vjn1
con lo que estamos probando que si B permite un viaje redondo no nulo entonces
B es LD pues tiene un vector redundante. Esa notacion complicada corresponde a una
renumeracion y es la forma de decir que el vector ~vi ya no aparece en la combinacion
lineal de la izquierda.
277. Ejercicio Use el teorema del viaje redondo para escribir pruebas formales de
los hechos que por intuici
on usted encontr
o en el ejercicio 274.
Cuando hablamos de combinaciones lineales, hablamos de algebra, pues hacemos
operaciones algebraicas. Cual es el equivalente geometrico de dependencia o independencia lineal?
Supongamos que estamos en el plano, sobre el cual dibujamos un 2-plp. Si uno
de sus lados es cero, el area del plp es cero. Si las dos aristas fundamentales del plp
son paralelas, formando un conjunto LD, su area tambien es cero. Pero si las aristas
fundamentales no son paralelas, entonces estas expanden un plp cuya area no es cero
y por consiguiente su determinante tampoco es cero. Esto significa que si un 2-plp es
generado por un conjunto LI, su determinante no puede ser cero. Pasemos ahora a
3D, en donde tomamos un 3-plp, el cual es expandido por 3 vectores que salen del
origen. Si cualquiera de los tres vectores es cero, el plp tiene volumen cero. Si los tres
vectores expanden solo un plano, el plp correspondiente esta contenido en un plano
con volumen cero y el determinante tambien es cero. Pero si los tres vectores no estan
sobre un plano, formando un conjunto LI, el volumen es diferente de cero al igual que
su determinante.
278. Teorema y definici
on. Un conjunto de n vectores en Rn es LI ssi su
determinante es diferente de cero. Un n-plp tiene volumen diferente de cero ssi es
generado por un conjunto LI. Un n-plp cuyo determinante es cero y que es generado
por un conjunto LD se denomina un plp apachurrado.
La prueba de este teorema es simplemente una generalizacion del siguiente ejemplo:
consideremos el 3-plp definido por [~a, ~b, ~a + ~b], cuyo determinante obedece la relacion
Det[~a, ~b, ~a + ~b] = Det[~a, ~b, ~a] + Det[~a, ~b, ~b].
Notemos ahora que el plp [~a, ~b, ~a] forma un paralelogramo cuyo 3-volumen es cero.
En general, el Det de un plp con 2 vectores iguales es cero. Esto es una consecuencia
126
directa del axioma de alternancia del Det, si se intercambian dos vectores de un plp
o de una matriz, el Det cambia de signo. Por tanto, en [~a, ~b, ~a] se puede intercambiar
el primer vector con el tercero, pero el resultado permanece inalterado y en cambio el
Det cambia de signo. Por tanto, tenemos:
Det[~a, ~b, ~a] = Det[~a, ~b, ~a]
Puesto que estamos trabajando con n
umeros reales, esta ecuacion es valida solo
para el n
umero cero. Es decir,
Det[~a, ~b, ~a] = 0.
279. Ejercicio Use la tecnologa del determinante para demostrar que cada uno de
los siguientes conjuntos es LD.
a) [(0, 0), (1, 2)]
b) [(1, 2), (2, 4)]
c) [(1, 2), (1, 2)]
d) [(0, 0, 0), (1, 2, 3), (4, 5, 6)]
e) [(1, 2, 3), (2, 4, 6), (7, 8, 9)]
f) [(1, 2, 3), (4, 5, 6), (5, 7, 9)].
Entramos a estudiar desde el punto de vista geometrico el conjunto de todas las
combinaciones lineales generadas por un conjunto finito.
4.2.
Subespacios
Si V es un EV , un subespacio vectorial de V es un subconjunto de V que se

comporta como si el mismo fuese un EV. Es decir, un subespacio es un EV peque
no
metido dentro de otro. Esto tambien implica que la suma sobre el espacio peque
no es
la misma suma del espacio grande pero restringida al espacio peque
no, y lo mismo con
la multiplicacion escalar.
280. Definici
on. Si V es un EV, se dice que U es subespacio de V si U es no
vaco, si est
a contenido en V y si la suma y la multiplicaci
on escalar de V restringidas
a U son cerradas sobre U .
281. Ejercicio Formalice y demuestre la aseveraci
on de que un sub-EV es un EV
metido dentro de otro mas grande.
282.
Ejemplo
El eje X es subespacio vectorial de R2 .
283. Contraejemplo R no es subespacio de R2 , puesto que los n

umeros reales no
aparecen en la lista de los elementos del plano. Con todo, uno establece una equivalencia
entre R y el eje X y de esa forma uno dice que R s es subespacio del plano.
284. Ejemplo El conjunto de elementos del plano que quedan sobre la lnea L
definida por y = 3x es un subespacio vectorial de R2 .
4.2. SUBESPACIOS
127
En efecto: dicho conjunto esta contenido en el plano, del que hereda una suma y una
multiplicacion escalar, las cuales debemos demostrar que son cerradas. Para la suma:
Sean ~u y ~v dos elementos de L, debemos demostrar que al sumarlos su resultado
esta sobre la lnea. Procedamos: los elementos de la lnea L son de la forma (l, 3l).
Entonces, si ~u esta en la lnea, existen coordenadas (u1 , u2 ) tales que u2 = 3u1 , es decir
~u = (u1 , 3u1 ). En cuanto a ~v , este se puede escribir como (v1 , 3v1 ). Al sumar estos dos
elementos obtenemos (u1 + v1 , 3u1 + 3v1 ), que es lo mismo que (u1 + v1 , 3(u1 + v1 )) que
es de la forma (z, 3z). por lo tanto, la suma es cerrada.
Ahora veamos que la multiplicacion escalar es cerrada. Tomamos un elemento de
la lnea, (l, 3l), lo multiplicamos por un escalar, , nos da (l, (3l)) = (l, 3(l)) que
es de la forma (z, 3z), por lo que esta en la lnea. Entonces la multipliacion escalar es
cerrada.
Como la suma y la multiplicacion escalar son operaciones cerradas sobre L, tenemos
un subespacio vectorial. Todas las demas propiedades que L necesita para ser EV, L
las tiene por herencia del plano, el cual es EV.
285. Contraejemplo La lnea y = 3x + 1 no es subespacio del plano.
Es suficiente demostrar que la suma no es cerrada. Tomamos dos elementos determinados (1, 4), (2, 7). Al sumarlos da (3, 11) que no es de la forma (l, 3l + 1), pues
debiera haber sido (3, 10). Ademas, si x = 0 entonces y = 1, por lo que el elemento
(0,0), el cual es el cero del plano considerado como espacio vectorial, no esta en la
lnea. Esa es otra razon que por s misma es suficiente para decir que la lnea no es un
subespacio del plano.
286. Contraejemplo La circunferencia de radio uno no es EV .
En efecto, los puntos (1, 0) y (0, 1) pertenecen a dicha circunferencia, pues cumplen
con la ecuacion x2 + y 2 = 1. Pero al sumarlos da (1, 1), que ya no cumple con dicha
ecuacion.
287. Ejercicio Decida cuales de los siguientes conjuntos, definidos por la condici
on
dada, son sub-EV del EV indicado:
a) y = 3x + 1 de R2 .
b) y = 7x 2z en R3 .
c) z = 4x 5y en R3 .
d) y = 3 en R.
e) y = x2 en R2 .
Hay una manera estandar de generar subespacios, que es simplemente a
nadir todo
lo que sea estrictamente necesario para lograr que uno pueda sumar y alargar sin
problema.
288. Recordemos. Dado un conjunto de vectores D de un EV V, se nota por
gen(D) el conjunto de todas las combinaciones lineales finitas de D y se llama el
conjunto generado por D. Concretamente, si D = {~u1 , ~u2 , ..., ~un }, entonces
128
gen(D) = {1~u1 + 2~u2 + ... + n~un : i R, i = 1, 2, ..., n}.

Por ejemplo, si D = {~i, ~j}, tenemos que gen(D) es todo el plano. En efecto, los
elementos de D son LI, y ademas cualquier elemento (x, y) del plano puede escribirse
como (x, y) = x~i + y~j, es decir, como una combinacion lineal de D, lo cual implica que
el plano esta contenido en gen(D). Por supuesto que gen(D) no es mas grande que el
plano, pues cualquier combinacion de D queda en el plano, pues el plano es cerrado a
las combinaciones lineales, pues es un EV.
289. Teorema y ejercicio. El conjunto gen(D) generado por D, un subconjunto
de un EV, por medio de todas sus combinaciones lineales es cerrado bajo la suma y bajo
la multiplicaci
on escalar. Es decir, la suma de dos elementos cualesquiera pertenece al
conjunto y lo mismo el resultado de multiplicar un elemento del conjunto por un escalar
cualquiera. Eso implica que si D es un conjunto no vaco de vectores, gen(D) es un
sub-EV .
Demostraci
on formal: ejercicio.
290. Ejemplo Todos los Rn son sub-EV de Rn+m . Para poder decir eso hay que
sobreentender que los elementos de Rn no pertenecen a Rn+m , pero que uno los asimila
a elementos de Rn+m con cero en las coordenadas faltantes. As, el elemento (1, 2, 3)
de R3 se asimila a (1, 2, 3, 0, 0) R5 .
291. Contraejemplo. Una lnea que no pasa por el origen no es un sub-EV de R3 .
Demostraci
on. Una lnea que no pasa por el origen tiene como ecuaciones parametricas
xi = ki + bi con R, pero al menos alg
un bi 6= 0.
Si multiplicamos tal elemento por 2, el resultado se sale de la lnea. En efecto, al
multiplicar por 2 nos queda:
xi = 2ki + 2bi = ki (2) + 2bi = ki () + 2bi pero este nuevo elemento no pertenece
a la lnea original, pues el termino independiente debe ser bi pero es 2bi y no hay forma
de arreglar el desperfecto en la coordenada donde el bi no es cero.
292. Ejercicio Pruebe que un plano en R3 es un EV de R3 ssi pasa por el origen.
4.3.
Bases
Cuando un conjunto genera todo el espacio y lo hace sin redundancia, tenemos una
base.
293. Definici
on. Un conjunto de vectores B que es LI y que genera un EV V se
dice que es una base de V.
Algunos ejemplos aparecen en la siguiente grafica.
4.3. BASES
129
4
(2,4)
(-1,3)
(1,2)
1
-1
(0.5,-1.5)
-2
-2
-1
(1,-2)
1
Figura 4.2. No-bases en el plano:

{(1, 2)}, {(1, 2), (2, 4)}, {(1, 2), (2, 4), (1, 3)}, {(1, 3), (0,5, 1,5)}, {(1, 2), (1, 3), (1, 2)}.
Bases : {(1, 2), (1, 3)}, {(1, 2), (0,5, 1,5)}, {(1, 3), (0,5, 1,5)}, {(2, 4), (1, 2)}.
Otros ejemplos:
a) {~i, ~j} es una base de R2 . Esta es la base natural de R2 . A la base natural tambien
se la llama can
onica. Esta definicion se extiende de forma natural a todos los Rn
b) {~i, 2~i} no es una base de R2 .
c) {~i,~i + ~j} es una base de R2 .
d) {~i, ~j,~i + ~j} no es una base de R2 .
e) {~i, ~j ~k} es una base de R3 . Esta es la base natural de R3 .
294. Ejemplo Demostremos usando la definicion de base que el conjunto
B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base de R3 .
Demostraci
on. Tenemos que demostrar que B es LI y que genera todo el espacio, es
decir, que gen(B) = R3 .
Para demostrar que B es LI tomemos una combinacion lineal arbitraria de B que
de cero:
(1, 0, 0) + (0, 1, 0) + (0, 0, 1) = (0, 0, 0)
Eso es lo mismo que decir que
(, , ) = (0, 0, 0).
Ahora bien, dos vectores son iguales cuando sus componentes son iguales. Eso da
el sistema de ecuaciones
=0
=0
=0
130
que dice que la u

nica forma de hallar una combinacion nula con los elementos de
B es anulandolos a todos. Es decir, B es LI.
Para demostrar que gen(B) = R3 hay que demostrar que todo elemento de gen(B)
esta en R3 , y que todo elemento de R3 esta en gen(B).
Demostremos que todo elemento de gen(B) esta en R3 : un elemento de gen(B) es
una combinacion lineal de elementos de B que tambien son elementos de R3 . Como R3
es EV , es cerrado bajo la suma y bajo la multiplicacion por escalares y por lo tanto es
cerrado bajo combinaciones lineades. Por esto todo elemento de gen(B) esta en R3 .
Ahora demostremos que todo elemento de R3 esta en gen(B). Sea (x, y, z) un elemento arbitrario de R3 , tenemos:
(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1)
lo cual dice que (x, y, z) es una combinacion lineal de los elementos de B, es decir,
(x, y, z) gen(B). Hemos demostrado que B no tiene elementos redundantes y que
genera todo el espacio R3 , por lo tanto, es una base para dicho espacio.
295. Ejercicio Formule la base natural de Rn y demuestre formalmente que es una
base.
296. Ejemplo Demostremos usando el determinante que B = {(1, 0, 1), (2, 1, 0), (0, 3, 1)}
es una base de R3 .
Demostraci
on. El
determinante:
0
det(B) =
1
conjunto B define un plp cuyo volumen lo da el valor absoluto del

2 0
0 3
1 3
1 3
= 1 (2)(3) = 7
(2)det
= (1)det
1 1
0 1
0 1
Como el volumen es 7, el conjunto es LI, pues todos los 3 vectores son esenciales
para expandir un volumen.
Probemos ahora que gen(B) = R3 . Para ello, hay que demostrar que todo elemento
de gen(B) lo es de R3 y que todo elemento de R3 lo es de gen(B). Como todos los
elementos de B estan en R3 , el cual es EV , cerrado bajo las combinaciones lineales,
todo elemento de gen(B) esta en R3 . Probemos ahora que todo elemento de R3 lo es
de gen(B). Sea (x, y, z) R3 . Debemos demostrar que (x, y, z) se puede expresar como
una combinacion lineal de los elementos de B. Es decir, que existen escalares , ,
tales que
(x, y, z) = (1, 0, 1) + (2, 1, 0) + (0, 3, 1)
lo cual da un sistema de 3 ecuaciones con 3 incognitas , , :
x = + 2
y = + 3
z = +
Este sistema define un conjunto de 3 planos en el espacio , , . Los vectores
normales a dichos planos forman un plp [(1, 2, 0), (0, 1, 3), (1, 0, 1)]. El determinante de
ese plp es 7. Por lo tanto, los planos se cortan en un u
nico punto. Eso quiere decir
que (x, y, z), no importa cual, siempre se puede descomponer de manera u
nica en B.
4.3. BASES
131
Si ademas, uno quisiera decir exactamente el valor de los escalares, entonces podemos
aplicar la regla de Kramer:
Sea
1 2 0
M = 0 1 3
1 0 1
x 2 0
Mx = y 1 3
z 0 1
1 x 0
My = 0 y 3
1 z 1
1 2 x
Mz = 0 1 y
1 0 z
Tenemos que
x=
det(Mx )
det(M )
y=
det(My )
det(M )
z=
det(Mz )
.
det(M )
297. Ejercicio Use el determinante para averiguar si el conjunto

B = {(1, 0, 1), (2, 1, 0), (0, 3, 1)} es una base de R3 .
298. Ejercicio Demuestre que los pulsos Pi forman una base del espacio digital Dn .
299. Teorema. Si en un EV alguna base tiene un n
umero finito de elementos,
entonces todas las bases tienen el mismo n
umero de elementos.
Demostraci
on. Consideremos solo R2 :
Sea B una base de R2 . B no puede ser vaca, puesto que el espacio generado por
una base vaca es el vaco y R2 no es vaco.
Por lo tanto, B tiene al menos un elemento, sea (a, b). Ahora bien, ese elemento no
es base de R2 . En efecto, el vector (a, b) genera una lnea, la cual pasa por el origen pero
no es todo R2 . Para mas claridad, el elemento (a, b + 1) esta en R2 y sin embargo no
es combinacion lineal de {(a, b)} puesto que las u
nicas combinaciones lineales de dicho
conjunto son los alargamientos: {(a, b)}, pero esos alargamientos forman una lnea
que no pasa por (a, b+1), pues si pasaran por ese punto, entonces (a, b+1) = {(a, b)}
para alg
un .
Eso implica que, coordenada por coordenada, se tiene:
a = a
b + 1 = b
de la primera ecuacion = 1 y reemplazando en la segunda se deduce que 1 = 0.
Por ende, esta mal imaginarse que una lnea expanda todo el plano. O sea que B
debe tener mas de 1 elemento.
132
Sea B = {~u = (u1 , u2 ), ~v = (v1 , v2 )} . Entonces, cualquier elemento del plano puede
expresarse como combinacion lineal de los elementos de B. Sea (z, w) un elemento
cualquiera del plano. Debemos probar que siempre se pueden encontrar escalares ,
tales que
(z, w) = (u1 , u2 ) + (v1 , v2 )
Esto es equivalente a un sistema de ecuaciones 2 2:
z = u1 + v1
w = u2 + v2
Las incognitas son , , podemos cambiar dichas incognitas por x, y:
z = xu1 + yv1
w = xu2 + yv2
Reordenando:
yv1 = z xu1
yv2 = w xu2
despejando, siempre y cuando v1 y v2 sean diferentes de cero,
y = (z xu1 )/v1
y = (w xu2 )/v2
Revisemos las pendientes de estas lneas para saber sin son paralelas o no. La
pendiente de la primera recta es u1 /v1 y la de la segunda es u2 /v2 . Si estas rectas
fuesen paralelas, sus pendientes sera iguales: u1 /v1 = u2 /v2 . Que es lo mismo que
decir u1 /u2 = v1 /v2 . Pero esto es lo mismo que decir que u1 = v1 y que u2 = v2 que
escrito en forma vectorial se lee
(u1 , u2 ) = (v1 , v2 )
que es lo mismo que asegurar que ~u y ~v forman un conjunto LD, lo cual no puede
ser, pues estos vectores forman una base, que es un conjunto LI.
Por lo tanto, las dos lneas no son paralelas y se cortan en un u
nico punto: podemos
hallar y , los n
umeros que nos dicen como combinar los dos vectores para generar
todo el plano. Esos escalares se denominan las coordenadas del vector (z, w) en la
base dada B. Por consiguiente, ya demostramos que los dos primeros elementos de una
base cualquiera en R2 son LI y expanden todo el plano. Por lo tanto, forman una base.
Como los dos primeros elementos de la base B generan todo el espacio, entonces B
no tiene mas elementos, pues si tuviese uno mas, B no sera LI. En efecto. Si w
~ es otro
elemento aparte de los dos primeros, entonces, w
~ estara generado por los dos primeros
elementos de B. O sea que esos tres elementos generan el mismo espacio que los dos
primeros. Es decir, el tercero sobrara: B sera LD y no sera base.
Hemos demostrado que una base cualquiera en R2 tiene exactamente dos elementos
y por consiguiente que todas las bases en R2 tienen el mismo n
umero de elementos.
300. Ejercicio Generalice el ejemplo anterior a Rn .

301. Ejercicio Demuestre que un n-plp tiene determinante diferente de cero ssi las
aristas fundamentales del plp forman una base para Rn . Demuestre que el determinante
de una base nunca es cero.
4.4. PLANOS Y SUB-EV
133
302. Definici
on. Se denomina dimensi
on de un espacio vectorial no nulo al
n
umero de elementos de cualquier base de dicho espacio. Si un EV tiene un u
nico
~
elemento que es el elemento neutro de la suma y que se nota 0, entonces no tiene
subconjuntos LI y no puede tener base.
303.
Ejemplo
Rn tiene dimensi
on n.
on del espacio digital Dn .

304. Ejercicio Halle la dimensi
305. Ejercicio Halle la dimensi
on del EV formado por todos los polinomios de grado
menor o igual que 3. Generalice a grado n.
306. Problema. Nosotros ya sabemos como hallar un polinomio que pasa por determinados puntos, digamos 6. Tomamos un polinomio de grado 5 pero con coeficientes
indeterminados, que son las inc
ognitas que hay que determinar. Para ello, se reemplaza
cada punto en la ecuaci
on del polinomio, de donde salen 6 ecuaciones con 6 inc
ognitas.
Usando esta idea, podemos ver que uno puede aproximar una funci
on cualquiera por
polinomios tanto como se desee. Por favor, demuestrelo o invente contraejemplos.
on sobre polinomios de Taylor Investigue en
los libros de calculo la siguiente idea para aproximar funciones derivables por polinomios. La primera derivada indica la pendiente. La segunda, la concavidad. Siguiendo
con derivadas de orden superior, uno puede dar cada vez mas informacion sobre la
grafica de la curva. La idea propuesta por Taylor es la de darse cuenta de que, dadas
las n primeras derivadas de una funcion, siempre se puede encontrar un polinomio con
las mismas derivadas y resulta que el polinomio dado se parece a la funci
on tanto mas
cuanto mayor n
umero de derivadas se involucre. El polinomio resultante se le llama
polinomio de Taylor. Una aplicaci
on inmediata es esta: en vez de atiborrar los computadores con tablas infinitas sobre los valores de las funciones, digamos, seno, coseno,
exponencial, lo que se hace es grabar en memoria el polinomio asociado y calcularlo
para cada valor deseado. Por supuesto, hay que decidir el grado del polinomio. La clave
es que mientras mas alto el grado del polinomio, mas precisi
on. Por eso, se fija la precisi
on deseada, por ejemplo, para calculadoras es usual que sea de 6 cifras decimales,
y en consecuencia se ajusta el grado del polinomio.
4.4.
Planos y sub-EV
Hemos visto la definicion geometrica de plano: es un conjunto de puntos tales que

cualquier segmento contenido en dicho conjunto es perpendicular a un vector fijo dado, llamado el vector normal del plano. Pudimos demostrar que un plano cumple la
ecuacion ax + by + cz = d. Ahora vamos a dedicar un poco de atencion a la siguiente
observacion: el plano por excelencia R2 es generado por el conjunto LI {~i, ~j}. Podemos
generalizar esta situacion:
134
308. Teorema. Un plano que pasa por el origen en R3 es un subespacio vectorial

de dimensi
on dos, es decir, es generado por un conjunto LI de dos vectores.
Demostraci
on: ejercicio.
on de un plano en R3 que pasa por el
309. Ejemplo z = 3x + 5y es la ecuaci
origen que es un subespacio de dimensi
on 2. Para verlo, comencemos verificando que
ese plano es un subespacio. Veamos que es cerrado a la suma y a la multiplicaci
on
escalar:
Sean dos vectores que esten en : (x1 , y1 , 3x1 + 5y1 ) y (x2 , y2 , 3x2 + 5y2 ). Sumamos
y obtenemos
(x1 + x2 , y1 + y2 , 3x1 + 5y1 + 3x2 + 5y2 ) = (x1 + x2 , y1 + y2 , 3(x1 + x2 ) + 5(y1 + y2 ))
Si denominamos x3 = x1 + x2 y y3 = y1 + y2 , la u
ltima expresi
on adquiere la
forma (x3 , y3 , 3x3 + 5y3 ) por lo que z, siendo la tercera coordenada, es z = 3x3 + 5y3 ,
que denota un elemento del plano z = 3x + 5y. Vemos que la suma de dos vectores
arbitrarios de tambien est
a en , por lo que este plano es cerrado a la suma.
Veamos ahora que es cerrado a la multiplicaci
on escalar. Tomemos un elemento de , (x, y, 3x + 5y). Si lo multiplicamos por obtenemos: (x, y, 3x + 5y) =
(x, y, (3x + 5y)) = (x, y, 3x + 5y)). Si denotamos x como v y y como w, la
u
ltima expresi
on se convierte en (v, w, 3v + 5w) por lo que la tercera coordenada vale
z = 3v + 5w, lo cual dice que la multiplicaci
on escalar de un elemento de tambien
es un elemento de .
Como es cerrado a la suma y a la multiplicaci
on escalar y es un subconjunto no
vaco de un EV, entonces es un subespacio vectorial.
Verifiquemos ahora que tiene dimensi
on dos. Sea (x, y, z) que satisface la ecuaci
on
de . Tenemos que (x, y, z) = (x, y, 3x + 5y) = x(1, 0, 3) + y(0, 1, 5) es decir, esa figura
est
a generada por el conjunto de vectores B = {(1, 0, 3), (0, 1, 5)} que es LI pues el uno
no es alargamiento del otro. Hemos demostrado que este plano tiene dimensi
on dos,
pues tiene una base de dos elementos.
310. Ejercicio Demuestre que x = 0 tiene dimensi
on 0 en R, dimensi
on 1 en R2 y
dimensi
on 2 en R3 .
311. Teorema. Un plano (que no pasa por el origen) es el resultado de trasladar
un subespacio vectorial de dos dimensiones que pasa por el origen.
312. Ejemplo z = 3x + 5y + 8 es un plano que es el resultado de trasladar 8
unidades por el eje Z al subespacio que cumple la ecuaci
on: z = 3x + 5y. En efecto: si
un punto (x, y, z) est
a en el plano original, entonces
(x, y, z) = (x, y, 3x + 5y + 8) = x(1, 0, 3) + y(0, 1, 5) + (0, 0, 8)
que es el resultado de trasladar el plano que pasa por el origen descrito por
(x, y, z) = (x, y, 3x + 5y) = x(1, 0, 3) + y(0, 1, 5)
una distancia por el eje Z de 8 unidades.
313. Ejercicio Demuestre que las siguientes ecuaciones describen planos que son la
traslacion de un plano generado por 2 vectores que forman un conjunto LI:
a) z = 2x 5y
4.4. PLANOS Y SUB-EV
135
b) z = 2x 5y 7
c) 2x 3y + 4z = 1
d) 3x 5y + 2z = 3
e) x = 0
f) y = 0
g) y = 3.
314. Ejemplo Demostremos que el conjunto B = {(2, 1, 1), (1, 2, 3)} es una
base de el subespacio de R3 dado por x y z = 0 o bien z = x y.
Demostraci
on. Primero que todo, ese plano pasa por el origen por lo que es un subespacio de R3 . En segundo lugar, los vectores satisfacen la ecuacion del plano, por lo
que estan en el plano. En tercer lugar, los dos vectores forman un conjunto LI porque
el uno no es m
ultiplo escalar del otro. En cuarto lugar, los dos vectores generan todo el
plano. Para verlo, tomemos un vector arbitrario de , sea (x, y, x y). Lo que tenemos
que hacer es demostrar que esta en el gen(B), es decir, que existen escalares y tales
que
(x, y, x y) = (2, 1, 1) + (1, 2, 3)
Obtenemos un sistema de ecuaciones dado por
x = 2
y = + 2
x y = 3
La primera preocupacion es que tenemos un sistema con 2 incognitas pero con 3

ecuaciones. La u
nica forma de que eso tenga sentido es que una de las ecuaciones sea
redundante. Lo bonito es que eso se ve inmediatamente, pues la tercera ecuacion es la
primera menos la segunda. Como la tercera ecuacion es redundante, podemos olvidarla
y nos queda un sistema de dos ecuaciones con dos incognitas:

2 = x
+ 2 = y
Si multiplicamos la segunda ecuacion por 2 y restamos, obtenemos 5 = x 2y.

Es decir = x/5 + 2y/5. Sustituyendo este valor en la primera ecuacion, obtenemos
2 (x/5 + 2y/5) = x, es decir, 2 = x x/5 + 2y/5 = 4x/5 + 2y/5. Lo cual
nos da = 2x/5 + y/5. Al final, pudimos demostrar que todo elemento del plano es
combinacion lineal u
nica de B. Por lo tanto, B genera todo el plano. Concluimos que
B es una base del plano . A las constantes y las llamamos las coordenadas
de (x, y, z) en la base B.
Hay tres lugares en la demostracion que ofrecen retroalimentacion para saber si
uno va bien o mal. El primero es que los elementos de B deben satisfacer la ecuacion
del plano. Cierto. El segundo es que debe haber una ecuacion redundante. Cierto.
Y el tercero es que los valores de y hallados deben satisfacer el u
ltimo sistema
136
de ecuaciones. Veamos si es cierto: = 2x/5 + y/5, = x/5 + 2y/5 dan que

2 = 2(2x/5 + y/5) (x/5 + 2y/5) = 4x/5 + 2y/5 + x/5 2x/5 = 5x/5 = x.
En la segunda ecuacion tenemos:
+ 2y = 2x/5 + y/5 + 2(x/5 + 2y/5) = 2x/5 + y/5 2x/5 + 4y/5 = 5y/5 = y.
Tal y como debe ser. Uno se demora un poquito mas, pero queda seguro de haber
hecho las cosas bien.
315. Ejercicio Demuestre que el conjunto B = {(1, 2, 3), (0, 1, 1)} es una base
del subespacio de R3 dado por x + y + z = 0.
Todo plano en el espacio tiene un plano paralelo que pasa por el origen y que es
subespacio vectorial generado por dos vectores. Pero el converso tambien es valido:
316. Teorema. El espacio generado por un conjunto de dos vectores LI en R3 es
de la forma ax + by + cz = 0.
Demostraci
on. Un plano es el conjunto generado por 2 vectores que forman un conjunto
LI. Sean esos vectores (a1 , a2 , a3 ), (b1 , b2 , b3 ). Sea el plano generado por esos dos
vectores. Entonces (x, y, z) ssi (x, y, z) = (a1 , a2 , a3 ) + (b1 , b2 , b3 ). Coordenada
por coordenada tenemos:
x = a1 + b1
y = a2 + b2
z = a3 + b3
Multiplicamos cada ecuacion por separado por un escalar tal que en cada ecuacion
el coeficiente de sea el mismo:
a2 a3 x = a1 a2 a3 + b1 a2 a3
a1 a3 y = a2 a1 a3 + b2 a1 a3
a1 a2 z = a3 a1 a2 + b3 a1 a2
Restamos la segunda de la primera:
a2 a3 x a1 a3 y = b1 a2 a3 b2 a1 a3 = (b1 a2 a3 b2 a1 a3 )
Restamos la tercera de la primera:
a2 a3 x a1 a2 z = b1 a2 a3 b3 a1 a2 = (b1 a2 a3 b3 a1 a2 )
Despejamos de ambas ecuaciones e igualamos:
= (a2 a3 x a1 a3 y)/(b1 a2 a3 b2 a1 a3 ) = (a2 a3 x a1 a2 z)/(b1 a2 a3 b3 a1 a2 )
Ahora notamos que esa expresion complicada puede reordenarse para que quede de
la forma ax + by + cz = 0.
317. Ejercicio Revise detalladamente la demostraci
on del teorema anterior y descubra que hay un paso que a veces se puede hacer y que a veces no. Invente un ejemplo para el cual la demostraci
on funcione y un contraejemplo que ilustre que la demostraci
on est
a incompleta. A
nada lo que falte a la demostraci
on para que sea completamente general. Si logra hacerlo, permtanos felicitarlo(a) muy calurosamente.
318. Teorema. En R3 todo conjunto que contiene al punto P~ y que es paralelo
a otro generado por un conjunto LI de dos vectores cumple con la propiedad: X ssi
~ P~ ) N
~ = 0 para alg
~ llamado el vector normal al plano (en la notacion
(X
un vector N
hemos usado la dualidad punto-vector).
4.5. ESPACIOS DE MATRICES
137
319. Ejercicio Haga un dibujo que ilustre el teorema anterior y demuestrelo. El

teorema dice que la definicion algebraica del plano coincide con su definicion geometrica
que conocemos de anta
no.
320. Ejercicio: Resuelva los siguientes sistemas de ecuaciones y caracterice la cantidad de soluciones en terminos geometricos:
a) x + y + z = 1, x + 2y 3z = 2, x + 2y z = 0,
b) 2x + 3y z = 1, x y 2z = 5, 3x + 2y 3z = 3,
c) 2x + 3y z = 1, x y 2z = 5, 3x + 2y 3z = 6,
d) x + y + z = 1, 2x + 2y + 2z = 2, 3x + 3y + 3z = 3.
4.5.
Espacios de matrices
Tenemos una idea en mente y es armar la infraestructura necesaria para tratar

todo sistema lineal de ecuaciones como una generalizacion de la ecuacion para n
umeros
~
~
~
~
reales ax = b. Nosotros obtendremos AX = B donde A es una matriz, X y B denotan
vectores. Para poder hacer esto, necesitamos considerar, entre otras cosas, que las
matrices tambien se suman y restan y que se pueden multiplicar por un escalar, es
decir, que las matrices forman EV . Al igual que hay muchos Rn , tambien hay muchos
espacios de matrices. En general, definimos Mmn como el espacio de matrices con
m filas y n columnas, tal que las matrices se pueden sumar entrada por entrada y,
similarmente, que la multiplicacion de una matriz por un escalar es la multiplicacion
de todas las entradas de la matriz por el escalar.
321. Ejemplo M22 es el espacio de matrices de dos renglones y dos columnas con
entradas reales y con la suma y multiplicaci
on escalar definidas entrada por entrada.
Formalmente:

a b
donde a, b, c, d R
M22 = {
c d
Si uno tiene dos matrices A y B de M22 definidas por
A=
a11 a12
a21 a22
B=
b11 b12
b21 b22
la suma es, por definicion,

A+B =
a11 + b11 a12 + b12

a21 + b21 a22 + b22
y la multiplicacion de A por un escalar es
138
A =
a11 a12
a21 a22
a11 a12
a21 a22
Con estas operaciones podemos sumar y alargar sin problemas: M22 es un EV.
M22 tiene dimension 4. Esa aseveracion sale, abusando de la gentileza del lector,
de la siguiente igualdad:

0 0
0 0
0 b
a 0
a b
+
+
+
=
0 d
c 0
0 0
0 0
c d
M22 tiene muchos subespacios vectoriales. El siguiente es el subespacio de las
matrices triangulares superiores:

a b
donde a, b, d R
S22 =
0 d
S hereda de M22 la suma y la multiplicacion escalar bajo las cuales S es cerrado.
Por lo tanto, S es un subespacio vectorial de M22 . La dimension de S es 3.
322. Ejercicio En M22 defina el conjunto de las matrices triangulares inferiores.
Demuestre que es un subespacio y hallele una base.
4.6.
Complemento ortogonal
323. Definici
on. Decimos que en un espacio vectorial W, los vectores ~u y ~v son
ortogonales si su producto interior es cero. Esto generaliza una definicion previa para
Rn ver 112 pag 55.
324. Definici
on. Decimos que en un espacio vectorial W, los subespacios H y
K generan a todo W si cada elemento w
~ W puede escribirse como combinacion de
~
elementos de los dos subespacios: w
~ = h + ~k con ~h H y ~k K. Esta definicion se
generaliza a cualquier n
umero finito de subespacios.
325. Definici
on. Decimos que en un espacio vectorial W, H es el complemento ortogonal de H, si tanto H como H son subespacios vectoriales de W y si
ademas a) entre H y H generan a todo V, y b) si todos los elementos del uno son
ortogonales a todos los elementos del otro.
326.
Ejemplo
En el plano, tomamos como H el eje X y como H el eje Y.
327.
no:
Ejemplo
La descomposicion dada por subespacios a veces es u

nica y a veces
a) Los ejes coordenados X, Y, Z son subespacios, generan todo R3 , los subespacios

X, Y general el piso, el piso y Z son complementos ortogonales uno del otro y cada
elemento de R3 se descompone de manera u
nica en piso y Z.
139
b) X, Z generan una pared, la cual no es complemento ortogonal del piso, pero entre
el piso y esa pared generan todo el espacio R3 pero no de manera u
nica.
328. Ejercicio En M22 definimos el producto interior entre dos matrices de la
siguiente forma. Si

b11 b12
a11 a12
B=
A=
b21 b22
a21 a22
entonces definimos el producto interno, interior o escalar de A y B como
A B = a11 b11 + a12 b12 + a21 b21 + a22 b22
a) Demuestre que en realidad nuestra definicion cumple con los axiomas de producto
interno.
b) Halle el complemento ortogonal del subespacio de las matrices triangulares superiores. Demuestre que cada elemento del espacio grande se descompone de manera
u
nica entre el subespacio y su complemento.
329. Ejercicio En R3 , halle el complemento ortogonal de los subespacios se
nalados y
construya una base de todo el espacio uniendo bases del subespacio y de su complemento.
a) El espacio vectorial que es paralelo a la lnea que pasa por (1, 2, 3) y (4, 5, 6).
b) El plano que pasa por el origen y es paralelo a 2x 4y + 5z = 8.
4.7.
1. Determine si R2 , con las operaciones suma y producto por escalar definidas por
(x, y) + (z, w) = (x + z, y + w) y k(x, y) = (2kx, 2ky) es un espacio vectorial.
2. Demuestre que si {v, w} es un conjunto linealmente independiente en un espacio vectorial V y u gen{v,
/
w} entonces {v, w, u} es un conjunto linealmente
independiente.
3. Sean V = R3 y W = {(x, y, z); x + 2y + 3z = 0}.
a) Encuentre dos vectores v~1 y v~2 , que generen a todo W.
b) Esta el vector ~v = (1, 1, 1) en el gen{v~1 , v~2 }?
4. Sea D el conjunto de matrices de la forma
0
a
a a+b
a) Demuestre que D es un subespacio de las matrices de tama

no 2 2.
b) Halle una base para D y determine su dimensi
on.
c) Halle el complemento ortogonal de D en M22 y muestre como se descompone dicho espacio en D y su complemento.
140
5. Un polinomio de grado n es una funcion de R en R de la forma

p(x) = a0 + a1 x + a2 x2 + ... + an xn
donde todos los ai son n
umeros reales y x es una variable que se instancia con
n
umeros reales. Sea Pn el conjunto de los polinomios de grado menor o igual
a n. Pn tiene una nocion de igualdad, una suma y una mutiplicacion por un
escalar definidas grado por grado. Formalice matematicamente estas definiciones.
Demuestre que Pn es un EV con estas operaciones.
6. El polinomio 1 + x + x2 esta en el generado por B = {1 x, 1 + x, 1 + x2 }?
7. Sean W = {p P3 : p(0) = 0} y U = {p P3 : p(1) = 0}. Muestre que W y
U son subespacios del espacio P3 . Determinar una base para W, una base para
U y una base para W U , por lo cual hay que probar que este conjunto es un
subespacio.
8. Demuestre que el conjunto de todos los polinomios en Pn que tienen una tangente horizontal en x = 0 es un subespacio de Pn . Encuentre una base para tal
subespacio.
9. Realice lo indicado:
a) Es el conjunto {1 x, x2 + 2x 1, x2 + 3} una base de P2 ? Justifique
claramente.
b) En R2 , el conjunto S = {(x, y) R2 : y = 4 x2 } es un subespacio
vectorial? Justifique claramente.
c) Sea C 1 [0, 1] el conjunto de funciones derivables sobre el intervalo abierto
(0, 1) cuya derivada es continua. Es G = {f C 1 [0, 1]: f (x) = xf (x)} un
subespacio vectorial de C 1 [0, 1]? Justifique su respuesta claramente.
10. Sea A una matriz de tama
no n n y R. Mostrar que el conjunto
n
S = {x : Ax = x} es un subespacio
de R
. Determine la dimension de S si
1 0
3
= 3 y A es la matriz A = 0 0 1 .
0 3
4
11. Sea V = C 1 [a, b] el conjunto de funciones que van del intervalo [a, b] sobre R tales
que ellas y sus derivadas sean continuas. Sea H = {f V | f (x) + f (x) = 0}.
Es H un subespacio vectorial de V ?
12. Considere el conjunto H = {(x, y, z): (x, y, z) = (t, 3t, t): t R} .
a) Muestre que H es un subespacio vectorial de R3 .
b) Encuentre una base y la dimension de H.
c) Represente geometricamente el espacio H.
4.8. RESUMEN
4.8.
141
Resumen
Con miras a proveer una plataforma que nos permita pisar solidamente al atacar
problemas en altas dimensiones hemos definido espacio vectorial, dependencia e independencia lineal y bases. El elemento cohesivo ha sido la geometra. Un espacio
vectorial es como un plano que pasa por el origen: al combinar vectores, con sumas y
multiplicaciones por n
umeros, el resultado permanece en el mismo plano. Un conjunto
de vectores es linealmente dependiente cuando hay elementos redundantes, es decir,
cuando al quitar alg
un elemento se genera, con combinaciones lineales, el mismo espacio que antes. Un conjunto de vectores es linealmente independiente cuando todos
sus elementos son esenciales, o sea que al quitar cualquier vector se genera un espacio
menor. Una base es un conjunto no redundante que genera todo el espacio.
142
CAPITULO
5
TL = TRANSFORMACIONES LINEALES
Toda nuestra teora tiene un objetivo: entender de manera productiva la estructura

general de los sistemas lineales de ecuaciones (que son los que siempre hemos visto).
Para esto comenzamos introduciendo las matrices, definimos rectas, planos, espacios
vectoriales y bases. Ahora definiremos lo que es una T L, transformacion lineal. En
primera instancia, una T L es una funcion, correspondencia, asignacion o transformacion
asociada a un sistema lineal de ecuaciones por medio de una matriz. Veremos esto con
mucho detalle para despues generalizar. Como sucede con las funciones, las T L tambien
pueden componerse, ponerse en serie, una tras de otras, y la consecuencia es que la
composicion de las T L es otra T L. Por tanto, la composicion de las T L genera un
producto entre matrices de tal forma que el producto de dos matrices da una matriz
que representa la matriz de la T L compuesta.
5.1.
Definici
on de TL
Consideremos el sistema de ecuaciones:

3x + 4y = 7
5x + 3y = 9
Reescribamos este sistema usando la siguiente notacion:

7
x
3 4
=
9
y
5 3
Asignemos un significado a nuestra nueva notacion. Tenemos en primer termino la

matriz

3 4
M=
5 3
Ahora asignaremos a esta matriz una funcion con propiedades especiales, llamada
T L, transformacion lineal. Nosotros deseamos que la manera de asignar una T L a una
143
CAPITULO 5. TL = TRANSFORMACIONES LINEALES
144
matriz tenga un significado natural, es decir, que este directamente relacionado con los
sistemas de ecuaciones. Por esa razon, la manera natural de asociar por definicion una
funcion T , de clase T L, a la matriz M es:

3x + 4y
x
3 4
x
=
=
T
5x + 3y
y
5 3
y

x
3x + 4y
T toma la dupleta
. Como las
y las transforma en la dupleta
5x + 3y
y
dupletas son elementos de R2 , tambien usamos la siguiente notacion, usual para funciones, para indicar como es T :
T : R2 R2
T ((x, y)) = T (x, y) = (3x + 4y, 5x + 3y).
El conjunto sobre el cual opera la T L se denomina dominio, y el conjunto sobre
el cual caen los resultados de la transformacion se denomina codominio. Es igual que
en funciones, puesto que cada T L es una funcion. En este ejemplo, el dominio es igual
al codominio, y es el conjunto de dupletas, el plano o R2 .
Tambien podemos definir lo que debemos entender por multiplicar una matriz
por un vector: es lo mismo que considerar la matriz como T L y aplicarla sobre el
vector para recuperar el lado izquierdo de un sistema de ecuaciones:

ax + by
x
a b
=
cx + dy
y
c d
Lo hecho aqu se extiende de forma natural a cualquier dimension, es decir, a la

multiplicacion de cualquier matriz con n columnas por un vector columna con n componentes.
330. Ejercicio Observe la forma como se multiplica una matriz de dos columnas
por un vector de dos componentes y descubra donde y como se ha usado el producto
punto, interno o interior. Reexprese la regla de multiplicaci
on de una matriz por un
vector en terminos de dicho producto.
Ahora podemos decir que resolver el sistema de ecuaciones

3x + 4y = 7
5x + 3y = 9
~ donde M es la
es lo mismo que exigir encontrar (x, y) tal que M (x, y) = (7, 9) = B,
matriz o T L asociada al sistema. En general, un sistema de ecuaciones es simplemente
~ = B
~ y se dice que resolverlo es lo mismo que hallar la preimagen de B
~ por
MX
M . Dicha preimagen es un conjunto que puede tener un u
nico vector, un conjunto de
vectores, o puede ser vaco.
Nota de rigor: recalcamos que cuando usamos la notacion de funciones para designar
una T L, las dupletas son horizontales, (x, y), pero cuando representamos la T L en
DE TL
5.1. DEFINICION
145

x
. Lo que es una dupleta
forma matricial, las dupletas forman un vector columna
y
horizontal en una notacion se convierte en vector columna en la otra. Sin embargo,
es conveniente tener presente que en el formalismo que
estamos
construyendo para
x
.
matrices, la matriz (x, y) sera muy diferente de la matriz
y

331. Ejercicio Para los sistemas de ecuaciones dados, hallar la matriz asociada y
la T L que esta genera, explicitando el dominio y el codominio:

8x 1y = 7
a)
2x + 3y = 13
b)
3x + 4y 4z = 7
4x + 3y 2z = 7
3x + 4y 4z = 7
4x + 3y 2z = 7
c)
x 2y + 3z = 4
332. Ejercicio Hallar la T L asociada a cada una de la siguientes matrices:

a)
3 2
1
3
b)
3 2
4
1
3 7
3 2
4
3 7
c) 1
0
4 5
3 2
3
d) 1
0
4
Aunque ya hemos captado la idea de una T L, podemos sacar un gran provecho de la

infraestructura que hemos fabricado con EV y demas. Pues bien, un EV es un conjunto
en donde se puede sumar y alargar (multiplicacion por un escalar). Una transformacion
lineal es una asignacion, o funcion, que es compatible con la estructura de EV. Respeta
la suma y la multiplicacion escalar.
Mas rigurosamente, si uno tiene dos espacios vectoriales V y W uno puede considerar funciones entre ellos, es decir, maneras de asignar o transformar vectores de V en
vectores en W. Para una transformacion dada, a V se le llama el dominio, a W se le
llama el codominio. La notacion usual es T : V W .
146
333. Definici
on. Una T L (transformaci
on lineal) T : V W es una funci
on tal
que si ~u, ~v , ~u + ~v est
an en V y todas sus im
agenes est
an en W, se tiene que:
a) T (~u + ~v ) = T (~u) + T (~v ) y
b) T (~u) = T (~u) para R.
334. Ejercicio Demuestre que T es T L ssi T (~u + ~v ) = T (~u) + T (~v ) para ~u,
~v V y , R.
~ + Y~ )
T (X
~ + Y~
X
~
X
Y~
~
T (X)
T (Y~ )
Figura 5.0. Una transformacion es lineal cuando da lo mismo primero combinar y

despues transformar que primero transformar y despues combinar.
En otras palabras, T es T L cuando la transformacion de una combinacion lineal es
la combinacion lineal de las transformaciones.
~ = 8X
~ es una T L pues
Ejemplo T (X)
~ + Y~ ) = 8(X
~ + Y~ ) = (8X)
~ + (8Y~ ) = T (X)
~ + T (Y~ ).
T (X
335.
336. Teorema. Cada matriz define una T L. Ilustremos este importante resultado
con un ejemplo de una funcion que ya sabemos que est
a asociada a una cierta matriz.
337.
T L.
Ejemplo 1: Verifiquemos que T definida por T (x, y) = (3x + 4y, 4x + 3y) es
DE TL
5.1. DEFINICION
147
Necesitamos probar que

T (~u + ~v ) = T (~u) + T (~v )
Con las correspondencias obvias, eso es lo mismo que probar que:
T ((u1 , u2 ) + (v1 , v2 )) = T (u1 , u2 ) + T (v1 , v2 )
Ahora bien:
T (u1 , u2 ) = (3u1 + 4u2 , 4u1 + 3u2 )
T (v1 , v2 ) = (3v1 + 4v2 , 4v1 + 3v2 )
Por tanto:
T (u1 , u2 ) = (3u1 + 4u2 , 4u1 + 3u2 ) = (3u1 + 4u2 , 4u1 + 3u2 )
T (v1 , v2 ) = (3v1 + 4v2 , 4v1 + 3v2 ) = (3v1 + 4v2 , 4v1 + 3v2 )
y al fin:
T (u1 , u2 ) + T (v1 , v2 )
= (3u1 + 4u2 , 4u1 + 3u2 ) + (3v1 + 4v2 , 4v1 + 3v2 )
= (3u1 + 3v1 + 4u2 + 4v2 , 4u1 + 4v1 + 3u2 + 3v2 )
= (3(u1 + v1 ) + 4(u2 + v2 ), 4(u1 + v1 ) + 3(u2 + v2 ))
= T (u1 + v1 , u2 + v2 )
= T ((u1 , u2 ) + (v1 , v2 ))
= T ((u1 , u2 ) + (v1 , v2 )).
on en notacion matricial. Generalice
338. Ejercicio Repita la anterior demostraci
la demostraci
on para que quede claro que en realidad a cada matriz se le asocia de
manera natural una T L.
339. Ejercicio Demuestre que las siguientes transformaciones son lineales:

a) T (x, y) = (2x + 4y, 3x + 2y)
b) T (x, y) = (x y, 2x 7y)
c) T (x, y) = (x y, x + y)
d) T (x, y) = (5x y, 2x + 3y)
e) T (x, y, z) = (2x + 3y z, 2x + 4y 5z)
f) La derivada de funciones. Este ejercicio es importante porque la linealidad de
la derivada permite definir y tratar los sistemas de ecuaciones diferenciales lineales,
que dictaminan la dinamica de muchos sistemas dinamicos, con igual naturalidad y
soltura que los sistemas de ecuaciones lineales que estamos viendo. Al hablar de funciones derivables, notamos por C n (a, b) el conjunto de las funciones cuyo dominio es el
intervalo abierto (a, b) y que van sobre R que tengan n derivadas todas continuas. De
igual forma C n (R) denota el espacio de las funciones que tienen como dominio a todo
R y que tienen n derivadas todas continuas.
340. Contraejemplos. Hay funciones que no son T L, como las siguientes:
T (x, y) = (x2 , 0) no es T L. En efecto:
T (x, y) = ((x)2 , 0) = 2 (x2 , 0) = 2 T (x, y) 6= T (x, y) cuando diferente de 1
o de 0.
148
De igual forma T (x, y) = (x, y + 1) no es T L pues

T (x, y) = (x, y + 1) lo cual es diferente de
T (x, y) = (x, y + 1) = (x, y + ).
341. Ejercicio Formule un test para decidir de una sola mirada si una transformacion es T L o no. Ponga a prueba su test sobre varios ejemplos y contraejemplos.
342. Ejercicio En una empresa, una seccion toma varios insumos de diferentes
tipos y produce varios productos. Para fijar ideas, imaginemos que se tienen 2 insumos
A, B y dos productos P, Q. Para hacer un producto tipo P se requieren 2 del tipo A
y uno de B. Para hacer un producto tipo Q se requieren 2 de A y 3 de B. Codificar
esa informacion en forma de matriz de tal manera que se responda naturalmente a la
siguiente pregunta: si se requieren 3 productos tipo P y 4 tipo Q, cu
anto se necesita
de cada insumo? Especificar la T L asociada y verbalizar su significado.
5.2.
La matriz de una TL
Nosotros sabemos como hallar la matriz asociada a un sistema de ecuaciones lineales, y de ah sacar una T L. Con todo, uno puede definir una T L sin necesidad de
pensar en un sistema de ecuaciones. Por ejemplo, derivar funciones es una T L sobre el
espacio de funciones derivables. Con tanta generalidad, pensar en matrices origina serios
problemas. Pero en casos muy simples se procede muy sencillamente, por inspeccion.
~ = (x1 , ..., xn ) Rn . Hallemos la matriz de
343. Ejemplo y definici
on Sea X
~ = X.
~ Puesto que la matriz de I es una matriz tal que a X
~ no le hace nada, esa
I(X)
matriz es la matriz identidad, I, la que tiene unos en la diagonal y ceros en las dem
as
entradas. A esta transformaci
on lineal la llamamos la identidad y la notamos I.
344. Ejemplo Calculemos la matriz de T (x, y) = (3x + 4y, 4x + 3y).

Solucion: se escribe T en notacion vertical y se factoriza (x, y) en el sentido de la
relacion entre los sistemas de ecuaciones y las matrices. Da la matriz

3 4
4 3
345. Teorema sobre la caracterizaci

on geom
etrica de una TLT. Para
saber como funciona una T L sobre R2 es suficiente saber que hace ella sobre la base
natural.
5.2. LA MATRIZ DE UNA TL
149
T (~j)
T
~j
~i
T (~i)
Figura 5.1. Una T L se caracteriza por su efecto sobre la base natural. Podemos
pensar en terminos de bases o de los plp que ellas generan.
Demostraci
on. Sea T una T L cualquiera de R2 en R2 .
Tengamos en cuenta que en la base natural del dominio R2 se tiene que
(x, y) = x(1, 0) + y(0, 1)
y aplicando T a ambos lados y aplicando la linealidad, obtenemos:
T (x, y) = T (x(1, 0) + y(0, 1)) = xT (1, 0) + yT (0, 1).
Esta identidad dice que para saber como opera una T L es suficiente saber que hace
sobre la base natural o sobre el plp formado por la base natural.
346. Ejercicio Generalice el teorema anterior a Rn .
Si reescribimos la identidad T (x, y) = T (x(1, 0) + y(0, 1)) = xT (1, 0) + yT (0, 1) en
notacion vertical, y la generalizamos a n dimensiones, tenemos el siguiente
347. Algoritmo: Para sacar la matriz de una T L T se calcula T de cada uno de
los elementos de la base natural N = {(1, 0, .., 0), (0, 1, 0, ..., 0), ..., (0, ..., 1)} y dichas
im
agenes se ponen en posicion vertical formando una matriz.
348. Ejemplo Si T (x, y) = (3x + 4y, 4x + 3y) se tiene T (~i) = T (1, 0) = (3, 4) en
tanto que T (~j) = T (0, 1) = (4, 3) y esos dos vectores resultantes son las columnas de
la matriz M de T :

3 4
M=
4 3
349. Protesta. Adem
as de la base natural, cada EV tiene un n
umero infinito de
bases. Por que la matriz de una T L tiene que definirse con respecto a la base natural?
Esta justa protesta exige una respuesta, la cual sera estudiada como prerrequisito
a la diagonalizacion.
150
350. Teorema. Para toda T L T , tenemos T (~0) = ~0.

Prueba: T (~0) = T (~0 + ~0) = T (~0) + T (~0), donde se deduce que T (~0) = 2T (~0), o
~
T (0) = ~0 siempre.
Esto significa que cualquier sistema homogeneo de ecuaciones de la forma M X = 0
siempre tiene al menos una solucion, la solucion cero, que tambien se llama la solucion
trivial.
351. Ejercicio Describa la cantidad de soluciones de un sistema de ecuaciones en
terminos de las propiedades de funciones: inyectiva, sobreyectiva. Una funci
on es inyectiva, o 1-1, si a cada vector del codominio le llega maximo un vector del dominio
(puede no llegarle nadie). Una funcion es sobreyectiva si a todos y a cada uno de los
elementos del codominio les corresponde alguien en el dominio.
5.3.
Composici
on de las TL
Una T L es antes que nada una transformacion. Las transformaciones pueden tratar
de encadenarse o componerse, primero una y despues otra. Eso no siempre es posible.
Por ejemplo, si una T L toma vectores de un EV de dimension 6 y produce vectores en
un espacio de 5 dimensiones, para poder entrar en una cadena se exige que el proximo
eslabon reciba elementos de un espacio de 5 dimensiones.
352. Teorema. Si dos T L pueden componerse, su resultado es una transformaci
on
que es T L. Con total claridad, si S: U V es T L y si T : V W es T L, entonces la
compuesta T S puede hacerse y es T L:
S
W
Figura 5.2. La composicion o encadenamiento de las T L es T L.
Demostraci
on: ejercicio.
Puesto que la compuesta de las T L es T L, la compuesta tiene una matriz asociada.
Como hallamos su matriz?
Tengase presente que la notacion al componer T L se subordina a la siguiente necesidad: la matriz de una T L, lo mismo que una funcion opera sobre vectores columna que
estan a la derecha de ella. Por lo tanto, al componer dos funciones, T L o matrices, la
que entra de segunda debe ir a la izquierda para que reciba, por la derecha, lo que la
primera produce. Por esta razon, la compuesta del diagrama anterior se denota T S
~ del dominio de S se escribe as:
y cuando opera sobre un vector X
DE LAS TL
5.3. COMPOSICION
151
~ = T (S(X))
~
(T S)(X)
Recordemos que para hallar la matriz de una T L se halla la imagen de cada uno de
los vectores de la base natural y los resultados se escriben como columnas formando una
matriz. Por tanto, la matriz de una compuesta se halla calculando la imagen de cada
uno de los elementos de la base del dominio por la primera T L y el vector resultante se
pasa por la segunda T L. Todos los vectores resultantes forman una matriz, la matriz
de la compuesta.
353. Ejemplo
puesta T S:
Dadas dos T L componibles, S y T , hallemos la matriz de la com-
Sea S(x, y) = (2x 3y, 5x + 4y), y sea T (x, y) = (3x + 2y, 9x + 7y)
Hallemos la imagen por S de la base natural. Tenemos:
S(1, 0) = (2, 5), S(0, 1) = (3, 4)
y por tanto
S=
2 3
5
4
Observese que usamos la misma letra para designar a S tanto como funcion como
matriz. No hay ninguna confusion, pues hay una correspondencia biunvoca entre las
dos.
Por otro lado:
T (1, 0) = (3, 9), T (0, 1) = (2, 7)
y por tanto:
T =
3 2
9 7
Para hallar la matriz de la compuesta simplemente hallamos la imagen de cada uno

de los elementos de la base natural por la compuesta:
T (S(1, 0)) = T (2, 5) = T (2(1, 0) + 5(0, 1)) = 2T (1, 0) + 5T (0, 1)
= 2(3, 9) + 5(2, 7) = (6 + 10, 18 + 35) = (16, 17)
T (S(0, 1)) = T (3, 4) = T (3(1, 0) + 4T (0, 1)) = 3T (1, 0) + 4T (0, 1)
= 3(3, 9) + 4(2, 7) = (9 + 8, 27 + 28) = (1, 55).
Por lo tanto la matriz de la compuesta T (S()) es T S
TS =
16 1
17 55
~ usando el procedimiento de composicion de fun354. Ejercicio Halle T (S(X))

ciones y por inspeccion encuentre la matriz asociada. Compare la respuesta con la
que acabamos de obtener.
152
355. Ejercicio Hemos hallado la matriz asociada a T S. Halle la matriz asociada

a S T = S(T ()). Averig
ue si las dos composiciones dan la misma matriz. Si lo son,
ac
a y en cualquier otro caso, se dice que la composicion de las T L es conmutativa. De
lo contrario se dice que la composicion de las T L es no conmutativa.
Ya sabemos encontrar la matriz asociada a cualquier composicion de T L. El problema es entonces poder predecir de manera mecanica cual va a ser la matriz asociada al
producto de componer o encadenar dos o mas T L sabiendo las matrices componentes.
La solucion tiene que ser aquella que convierta la naturalidad en una realidad. En la
jerga TRIZ eso se dice as: el mejor dise
no es el que no tiene ning
un dise
no. Revisemos
el ejemplo recien resuelto. Hallemos, de una manera ligeramente diferente, la imagen
por la compuesta de cada uno de los elementos de la base natural. Primero T (S( ~i )),
sabiendo que:
S=
2 3
5
4
T =
3 2
9 7
Calculemos la primera columna de la matriz producto T S hallando S( ~i ) y su

resultado pasandolo por T :

2 3
T S(~i) =
5
4

2
3 2
=
5
9 7
3 2
9 7

1
0
Notemos lo siguiente: el resultado de esta multiplicacion es la primera columna de

la matriz producto T S. Por tanto, la primera columna de la matriz producto T S tiene
en la primera coordenada el resultado de multiplicar, en producto punto, la primera fila
o renglon de la matriz T , la cual es (3, 2), por la primera columna de la matriz S que es
(2, 5). La primera columna de la matriz producto T S tiene en la segunda coordenada
el resultado de multiplicar, en producto punto, la segunda fila o renglon de la matriz
T , la cual es (9, 7), por la primera columna de la matriz S, la cual es (2, 5).
356. Ejercicio Prediga cuales ser

an las coordenadas de la segunda columna de la
matriz producto T S. Demuestre su prediccion.
357. Ejercicio Generalizando los resultados anteriores, prediga la receta general

para el producto de matrices cualesquiera. Demuestre su prediccion.
DE MATRICES
5.4. MULTIPLICACION
5.4.
153
Multiplicaci
on de matrices
Esta seccion empieza con repaso y complementa lo visto en todo el captulo.

Consideremos el sistema lineal de ecuaciones

3x + 4y = 7
4x + 3y = 7
Antes escribamos este sistema de la forma

3 4 : 7
M=
4 3 : 7
Ahora lo vamos escribir de la siguiente manera:

3 4
7
3x + 4y
x
=
=
4x + 3y
y
4 3
7
Esta reescritura define varios elementos. En primer termino a

x
y
lo llamamos vector columna o vector. Es un elemento de dos coordenadas y por lo
tanto vive en R2 . En segundo lugar, estamos definiendo la multiplicacion de una matriz
por un vector columna (primero la matriz, despues el vector), en nuestro caso

3 4
3x + 4y
x
=
4x + 3y
y
4 3
lo cual dice que la multiplicacion de una matriz por un vector columna debe restituir
un vector que represente el lado izquierdo de un sistema de ecuaciones. Operacionalmente es como sigue: se toma cada renglon de la matriz y se multiplica en producto
punto por el vector columna. El resultado del renglon i por el vector columna es el
renglon i de la respuesta de la multiplicacion, la cual es un vector columna con tantos renglones cuantos renglones hay en la matriz. Naturalmente que la multiplicacion
esta definida u
nicamente cuando el producto punto puede ejecutarse, es decir, cuando
el n
umero de columnas de la matriz coincide con el n
umero de renglones del vector
columna. Ademas usamos la igualdad: dos vectores columna son iguales cuando son
iguales coordenada por coordenada o renglon por renglon.
Haber multiplicado una matriz por un vector nos produjo un vector, en nuestro
caso un elemento con dos coordenadas, es decir, un elemento de R2 . Todo lo anterior lo
podemos escribir sucintamente diciendo que M es una funcion, llamada transformacion
lineal, que toma vectores con dos coordenadas y los transforma en vectores de dos
coordenadas.
M : R2 R2
M (x, y) = (3x + 4y, 4x + 3y)
154
Cuando usamos notacion de funciones, como aqu, los vectores forman tupletas
que se escriben horizontalmente, pero cuando usamos notacion matricial, los vectores
forman una columna y van delante de la matriz.
Una matriz representa una funcion y las funciones o transformaciones pueden componerse, es decir, pueden ponerse a operar una despues de otra. Lo interesante es que
al componer 2 matrices como transformaciones, la transformacion resultante tiene una
matriz asociada llamada la matriz producto. El resultado de la multiplicacion se puede
calcular automaticamente de acuerdo con la siguiente:
358. Regla para multiplicar matrices
1. Queremos que el producto de matrices T y S, en ese orden, represente la matriz
de la compuesta T S = T (S()).
2. El orden es importante porque, en general, transformar de un modo y despues
de otro no es conmutativo (piense en las transformaciones que sufren los alimentos al
ser preparados y ademas estudie rotaciones de 90 grados alrededor de dos ejes perpendiculares).
3. Para hallar la matriz de un producto T S se cuadran las matrices T, S en el
siguiente arreglo en escuadra, de tal forma que el producto esta en el centro de la
escuadra:
..
.
S
TS = ... ... ...

.
T .. T S
Para hallar la entrada pij del producto, fila i con columna j, se multiplica en producto punto la fila i de T con la columna j de S, como en el siguiente
359. Ejemplo Multipliquemos mecanicamente las dos matrices T S, en ese orden,

y verifiquemos que se trata de hallar la matriz de una compuesta. Sea
S=
2 3
5
4
T =
3 2
9 7
Para hallar el producto T S, primero preparamos un arreglo en escuadra, en donde

T aparece en la esquina izquierda inferior y S en la esquina superior derecha. En el
centro de la escuadra pondremos el producto T S.
..
. 2 3
..
. 5
4
..
T S = ... ... ... ..
3 2 ...
..
9 7 .
DE MATRICES
5.4. MULTIPLICACION
155
La matriz producto sera calculada inmediatamente, pero en el paso anterior ha

sido reemplazada por marcas negras para indicar el mecanismo de multiplicacion: cada
marca define una fila de T y una columna de S. En el producto de matrices, se reemplaza
la marca por el producto punto o escalar de dicha fila de T por la susodicha columna
de S:
..
.
2
3
..
.
5
4
..
..
T S = ... ... ...
3 2 ...
2
+
2
5
3
(3)
+
2
..
9 7 . (9) 2 + 7 5 (9) (3) + 7 4
Ahora ejecutamos los productos punto y podemos encontrar la matriz producto en

la esquina de la escuadra (abajo a la derecha):
..
.
2
3
..
.
5
4
..
T S = ... ... ... ..
3 2 ... 16 1
..
9 7 . 17 55
Verifiquemos ahora que se trata de la matriz de una compuesta. Para eso tenemos
que calcular S(x, y), producir un vector resultante que ha de ser procesado por T y
el resultado debe coincidir con el resultado de multiplicar la matriz T S por (x, y).
Veamos. Primero calculemos S(x, y):

2x 3y
x
2 3
=
5x + 4y
y
5
4
A este vector resultante lo pasamos por T :

3(2x 3y) + 2(5x + 4y)
2x 3y
3 2
=
9(2x 3y) + 7(5x + 4y)
5x + 4y
9 7
=
6x 9y + 10x + 8y
18x + 27y + 35x + 28y)
=
16 1
17 55

x
y
16x y
17x + 55y
que da exactamente la matriz T S, la cual hallamos mecanicamente. Hemos verificado entonces que el producto de dos matrices corresponde a la composicion de las
matrices interpretadas como transformaciones.
360. Ejercicio Sean las siguientes matrices:
156
2
A=
5

1
B=
2

2
C=
3
1
3
4
4
5
1

Calcule mecanicamente los siguientes productos y verifique que se trata de la matriz

de una compuesta:
1. AB
2. BA
3. CA
4. CB
5. ABC
6. A2 = AA
Nosotros hemos visto como se multiplican dos matrices cuadradas 2 2. El procedimiento usado se extiende naturalmente a matrices de cualquier orden, cuadradas
o no, siempre y cuando el producto tenga sentido.
361.
Ejemplo
Sea la T L definida por

S: R2 R2
S(x, y) = (x y, 2x + 4y)
y la T L
T : R2 R3
T (x, y) = (2x 3y, x + 5y, x 7y)
Usando la tecnologa del producto de matrices hallemos la expresi
on de la compuesta
T S = T (S()).
Solucion: Lo primero que tenemos que verificar es que efectivamente la compuesta
esta bien definida. Para esto, lo que se necesita es que la salida de la primera funcion se
pueda encadenar con la entrada de la segunda. Para componer T L nosotros exigimos
que el codominio o conjunto de llegada de la primera sea exactamente igual al dominio
o conjunto de salidad de la segunda. Para nuestro ejemplo, el codominio de S es R2
que es igual al conjunto de salidad de T . Por lo tanto, se pueden encadenar, lo cual
tambien podemos resumirlo en el siguiente diagrama:
DE MATRICES
5.4. MULTIPLICACION
S
R2
157
R2
R3
Figura 5.3. La salida de S se puede encadenar con la entrada de T porque ambas
son el mismo EV .
La matriz de S es
S=
1 1
2
4
La matriz de T es
2 3
5
T = 1
1
7
Hacemos el arreglo en escuadra

..
.
..
.
1 1
2
4
... ... ... ..
..
TS =
.
2 3 ..

..

5 .
1
.
1
7 ..
En en el lugar de cada marca negra ponemos el producto punto entre la fila de T

y la columna de S correspondientes:
..
.
..
.
2
4
... ... ...

..
..
TS =
..
2 3 . (2)(1) + (3)(2) (2)(1) + (3)(4)
(1)(1) + (5)(4)
5 .. (1)(1) + (5)(2)
1
..
1
7 . (1)(1) + (7)(2) (1)(1) + (7)(4)
Ejecutamos la aritmetica y obtenemos la respuesta: la matriz de la compuesta T S

es T S dada por
4 14
19
T S = 11
13
29
158
La compuesta opera sobre vectores que tienen un n

umero de componentes igual
al n
umero de columnas de T S, es decir, sobre elementos de R2 y produce elementos
con tres componentes, R3 , lo cual es compatible con el diagrama de la compuesta. La
expresion para T S es entonces:
T S: R2 R3
T S(x, y) = (4x 14y, 11x + 19y, 13x + 29y)
Como hay tantos n
umeros envueltos, hacemos un chequeo: calculemos T S sobre
(1, 3) por dos caminos, por definicion de la compuesta y usando la matriz producto.
Debe dar lo mismo y es cierto: en ambos casos obtenemos T (S(1, 3)) = (46, 68, 100).
362. Ejercicio Sean las siguientes matrices:

2 1 3
A=
5 3 4
1 4
4
B= 2
1
3

2 5
C=
3
1

Calcule mecanicamente los siguientes productos cuando esto sea posible. Para decidir si la compuesta tiene sentido, verifique dos cosas, que el conjunto de llegada de
la primera sea igual al conjunto de salida de la segunda y que el arreglo en escuadra
permite definir las marcas negras sin ambig
uedad.
1. AB
2. BA
3. CA
4. CB
5. ABC
6. A2 = AA
5.5.

0
1
satisface la ecuacion cuadratica
1. Compruebe que la matriz A =
2 1
X 2 + X 2I = 0 donde X 2 denota el producto de matrices XX para matrices
cuadradas. Podra hallar otra matriz B que sea solucion de dicha ecuacion?

2. Sea A una matriz m n y sea ej el vector columna n 1 cuya jesima componente es 1 y cuyas otras componentes son ceros. Mostrar que:
5.6. RESUMEN
159
a) A ej es la j-esima columna de A.
b) Si A~x = 0, ~x Rn , entonces A = 0.
c) Si A y B son matrices del mismo tama

no y A~x = B~x, ~x Rn , entonces
A = B.
3. Una matriz A cuadrada es nilpotente si Ar = 0 para alg

un entero positivo r.
a) Dar un ejemplo de una matriz 2 2 no nula que sea nilpotente.
b) Mostrar que, si existe B tal que AB = BA = I, entonces A no es nilpotente.
4. Considere la transformacion lineal

2
T : R R , definida por T (X) = AX, donde A =
5 4
1 2
a) Halle los valores de para los cuales T (X) = X, X 6= 0.

b) Halle un vector ~v R2 , ~v 6= ~0, tal que T (~v ) = 6~v .
5. Sea Pn el EV de los polinomios de grado menor o igual a n. Consideremos las
transformaciones dadas por
T1 : P1 P2 con T1 (p(x)) = xp(x)
T2 : P2 P2 con T2 (p(x)) = p(2x + 1)

a) Calcule T1 (7x + 3).
b) Calcule T2 (4x2 3x + 1).
c) Calcule T2 (T1 (9x 1)).
d ) Calcule T2 (T1 (p(x))).
e) Hay alg
un polinomio para el cual T1 (T2 (p(x))) este bien definido?
f ) Demuestre que T1 y T2 son lineales.
g) Halle T1 (a+bx), T2 (a+bx+cx2 ), T2 (T1 (a+bx))) e invente un procedimiento
matricial para obtener por matrices los mismos resultados.
5.6.
Resumen
Todo sistema lineal de ecuaciones esta naturalmente asociado a una matriz, digamos
F , la cual representa una funcion con propiedades especiales. Es compatible con las
operaciones de un EV, la suma y la multiplicacion por escalares:
F (~x + ~y ) = F (~x) + F (~y )
La funcion resultante se denomina transformacion lineal (T L). La compuesta, cuando existe, de dos T L es T L y por tanto tambien tiene matriz: la matriz de una compuesta es el producto de matrices. Todo esto es tan natural que se denota simplemente
como: la matriz de F G es el producto de las matrices F G. La multiplicacion de
matrices es no conmutativa, en general, F G 6= GF .
160
5.7.
Gran taller de repaso
Con este taller podra revisar y aplicar la teoria desarrollada en el capitulo. Asuma
cada ejercicio como un reto. 1
1. Encontrar los coeficientes a, b, c para que la parabola y = ax2 + bx + c pase por
los puntos (1, 4), (2, 8) y (3, 14).
Rta. a = 1, b = 1, c = 2.
2. Una fabrica de muebles tiene dos divisiones: un taller donde se fabrican las partes
de los muebles y una division de ensamble, donde se unen las partes para obtener
el producto terminado. Suponga que se tienen 12 empleados en el taller y 20
en la division, y que cada empleado trabaja 8 horas diarias. Suponga que se
producen solo sillas y mesas. Una silla requiere 384
horas de maquinado y 480
17
17
240
horas de
horas de ensamblaje. Una mesa requiere 17 horas de maquinado y 640
17
ensamblaje. Suponga que se tiene una demanda ilimitada de estos productos y
que el fabricante quiere mantener ocupados todos los empleados. Cuantas sillas
y cuantas mesas al da puede producir esa fabrica?
Rta. 3 sillas y 2 mesas.
3. En 3 islas vive una poblacion estable de 35.000 aves. Cada a
no, el 10 % de
poblacion de la isla A emigra a la isla B, el 20 % de la poblacion de la isla
B emigra a la isla C y el 5 % de la poblacion de la isla C emigra a la isla A.
Calcule el n
umero de aves en cada isla, si no vara la poblacion de cada isla de
un a
no al siguiente.
4. Para cada una de las siguientes afirmaciones diga si es falsa (F) o verdadera
(V) seg
un sea el caso. Si es falsa, justifique su respuesta mediante un ejemplo o
mediante el uso de la teora. Si es verdadera, justifique u
nicamente mediante la
teora (teoremas, definiciones, etc).
a) El generado de cualesquiera dos vectores no nulos en R2 es todo R2 .
b) El generado de cualesquiera tres vectores no nulos y no paralelos en R3 es
todo R3 .
c) Si {v~1 , v~2 , ..., v~k } son vectores en R2 tales que el gen{v~1 , v~2 , ..., v~k } = R2 ,
entonces k = 2.
d ) Existen exactamente dos vectores perpendiculares a un vector no nulo dado
en Rn .
e) El angulo entre dos vectores no nulos en Rn es menor que 90 , si y solo si,
el producto punto de los vectores es positivo.
f ) Si ~u ~v = 0, entonces ~u = 0, o bien, ~v = 0.
1
Con un especial agradecimiento al profesor Oscar Casas.
5.7. GRAN TALLER DE REPASO
161
g) Si x y = x z, entonces siempre y = z? Justifique su respuesta.

Sugerencia: Construya unos ejemplos.
h) A2 B 2 = (A B)(A + B), para cualesquiera matrices cuadradas A y B.
i ) Si ~v , w
~ son vectores de Rn con la misma magnitud, entonces la magnitud
de ~v w
~ es cero.
j ) Todo sistema lineal de ecuaciones con el mismo n

umero de ecuaciones que
de incognitas tiene siempre solucion u
nica.
k ) Todo sistema lineal de ecuaciones con el mismo n

umero de ecuaciones que
de variables tiene al menos una solucion.
l ) Un sistema lineal con una matriz cuadrada asociada A tiene solucion u
nica,
si y solo si, la matriz A es equivalente por renglones a la matriz identidad.
m) Un sistema lineal con mas ecuaciones que variables siempre admite un
n
umero infinito de soluciones.
5. Encontrar todos los escalares c, si existen, para los cuales se tiene que:
a) El vector (2, 6) es paralelo al vector (c, 3).
b) El vector (c, c, 4) es paralelo al vector (2, 2, 20).

c) El vector (c2 , c3 , c4 ) es paralelo al vector (1, 2, 4).
d ) El vector (13, 15) es una combinacion lineal de los vectores (1, 5) y (3, c).
e) El vector ~i + c~j es una combinacion lineal de los vectores ~i + 2~j + ~k y
3~i + 6~j + 3~k.
f ) El vector (c, 3, 5) es ortogonal al vector (1, 3, 4).
g) El vector (c, c, c) es ortogonal tanto al vector (1, 3, 4) como al vector

(2, 1, 1).
h) Los puntos (2, 0, 4), (4, c, c) y (6, c, c) son los vertices de un triangulo
equilatero.
6. Mostrar que el punto medio de la hipotenusa de un triangulo rectangulo es
equidistante de los tres vertices.
7. Encuentre la distancia del punto P (1, 1, 2) al plano 2x + y z = 1.
8. Determine el punto Q del plano 2x + y z = 1 que se encuentra mas cerca del
origen.
9. Pruebe que si ~b + ~c = 0 y ||~a|| = ||~b||, entonces (~a ~b) (~a ~c) = 0.
Sugerencia: Distribuya el producto punto y use las hipotesis.
10. Sean ~u = (2, 5) y ~v = (, 2). Determine tal que:
a) ~u y ~v sean ortogonales.
162

b) El angulo entre ~u y ~v es de 2/3.
c) ~u y ~v sean paralelos.
d ) El angulo entre ~u y ~v es de /3.
Rta. a) = 5, b) =
8058 3
,
13
c) = 45 , d) para ning
un .
11. Para vectores ~u, ~v y w

~ en Rn y para escalares r y s, probar que, si w
~ es ortogonal
tanto a ~u como a ~v , entonces w
~ es ortogonal a r~u + s~v .
12. Encontrar los valores de a, b y c para los cuales la parabola
y = ax2 + bx + c pasa por los puntos (1, 4), (0, 5) y (2, 3).
13. Hallar los valores de A y B tales que
x
x
A
B
=
=
+
.
2
2x + x 1
(2x 1)(x + 1)
2x 1 x + 1
14. Consideremos el sistema lineal

x1 + 2x2 3x3 + x4 = 2
3x1 + 6x2 8x3 2x4 = 1.
~ = B.
~
a) Codifique el sistema de la forma matricial AX
b) Halle la solucion mas general, ~sh , en terminos de parametros libres, del sistema
~ = ~0. Este sistema, igualado al vector cero, se llama homog
AX
eneo.
~ = B.
~ Una solucion
c) Halle por tanteo una solucion especfica ~xp del sistema AX
~ =B
~ recibe el nombre de soluci
especfica del sistema AX
on particular. Es
u
nica la solucion particular?
~ =B
~ llamado no
d) Halle la solucion mas general, ~sg , del sistema completo AX
homog
eneo.
e) Demuestre que ~sg = ~sh + ~xp . De esa forma se demuestra que toda solucion
general es la suma de una solucion al sistema homogeneo mas una solucion
~ = B
~ se
particular. En terminos geometricos: la solucion de un sistema AX
puede descomponer como la suma de un subespacio vectorial (que pasa por
cero y es solucion del sistema homogeneo) mas un vector de traslacion. Haga
un dibujo que ayude a entender si tal descomposicion es o no u
nica, es decir,
si el vector traslacion o la solucion particular es o no u
nica.
15. Considere el sistema lineal con un parametro k: kx + y + z = 0, x + ky + z = 1.
a) Comprobar que para k = 1, el vector (1, 1/2, 1/2), satisface el sistema.
b) Para que valor(es) del parametro k el sistema es inconsistente (que contiene

una contradiccion)?
c) Para que valor(es) del parametro k el sistema admite infinitas soluciones?
d ) Para k = 1 escriba la solucion del sistema en la forma Yg = Yh + Yp , donde

Yh es la solucion del sistema homogeneo y Yp es una solucion particular del
no homogeneo.
163
16. Si un sistema lineal tiene matriz aumentada equivalente por filas a la matriz
1 2
1 |
2
0 1
2 |
2 determine el(los) valor(es) de a para el(los) cual(es)
2
0 0 a 4 | a+2
el sistema tiene:
a) Unica
solucion.
b) Infinitas soluciones.
c) Inconsistencia.
17. Sea H = {(x, y) : xy = 0}. Es H con suma y producto por escalar usuales un
subespacio vectorial de R2 ? Justifique su respuesta.
x 0 x
18. Determine si el conjunto de matrices 33 de la forma 0 x 0 , donde cada
x 0 x
x puede ser un escalar cualquiera, es un espacio vectorial con suma y producto
por escalar usual. En caso afirmativo halle una base para tal espacio y encuentre
su dimension.
19. Decidir cuales de los siguientes conjuntos son subespacios de Rn ::
a) H1 = {X Rn : A X = 0, A Mnn }.
b) H2 = {(a1 , a2 , a3 , ..., an ): a21 + a22 + a23 + ... + a2n = 1}.
c) H3 = {(a1 , a2 , a3 , ..., an ): a1 + a2 + a3 + ... + an = 0}.

Rta. a) Si, b) No, c) Si.
1
20. Extender el conjunto
1
4
espacio R .

1
1
1 2
, ,
0 1
1
1
para formar una base del
Rta. A
nada el vector (1, 0, 0, 0) y verifique que estos cuatro vectores forman una
base.
21. Determine cuales de los siguientes subconjuntos del espacio vectorial de matrices
2 2 son subespacios.

a 0
a 0
|a+b=5
c)
| a, b R
a)
0 b
0 b

a c
a 0
| a + b = 0, c R
d)
|a+b=0
b)
0 b
0 b
164
22. Determine si el vector v pertenece al espacio generado por los vectores del conjunto H.

0
2
1
0
0 ,
0 , H=
a) v =
1
0
1

b) v = x x3 , H = x2 , 2x + x2 , x + x3

2 0
1 0
0 1
,
, H=
c) v =
2 3
1 1
4 2
23. Determine si los siguientes conjuntos de vectores son linealmente dependientes o
independientes.

4
2
1
V = R3
a) 3 , 2 , 4
14
4
5

3
2
1
7
7 ,
7
V = R3
b)
7
7
7

2
V = P2
c) 3 x + 9x , 5 6x + 3x2 , 1 + x 5x2

2
2
2
V = P2
d ) 8 + 3x + 3x , x + 2x , 2 + 2x + x , 8 2x + 5x2
24. Encuentre una base para las soluciones del siguiente sistema de ecuaciones.

x1 4x2 + 3x3 x4 = 0
2x1 8x2 + 6x3 2x4 = 0
25. Encuentre una base para cada uno de los siguientes subespacios y halle su dimension:

a) El subespacio H = a2 x2 + a1 x + a0 : a2 2a1 = a0 de P2
b) El subespacio H = {p(x) P3 : p(7) = 0}
c) El subespacio H = {p(x) P3 : p(7) = 0, p(5) = 0}
d ) El subespacio H = {p(x) P3 : p(7) = 0, p(5) = 0, p(3) = 0}
e) El subespacio H = {p(x) P3 : p(7) = 0 p(5) = 0, p(3) = 0, p(1) = 0}
26. Determine si la transformacion dada es o no lineal

y
x
2
2
=
a) T : R R ,
T
x
y

x
1
3
2
y
b) T : R R ,
T
=
z
z

xy
x
2
2
=
c) T : R R ,
T
x
y
165
d ) T : M22 M22 , T (A) = AB; B una matriz fija
e) T : M22 M22 , T (A) = AAt donde At indica la matriz transpuesta de

A que se obtiene de A intercambiando las filas por columnas, como en el
siguiente ejemplo:
t

a b
a
c
e
c d =
b d f
e f
T (a + bx + cx2 ) = b + cx;
f ) T : P2 P1 ,
Rta. a) S, b) No, c) No, d) S, e) S, f) S.

27. Sea T : R2 R3 una transformacion lineal tal que

4
1
2
1
= 0 ,
= 2 ; T
T
1
1
5
3
calcule
yT
3
9
yT
3
7
Respuesta: a) T
a) T
2
5
b) T
2
4
2
5

21
8
3
= 10
= 8 , T
9
5
7
3
28. Sea T : R2
una transformacionlineal
tal que
R

4
1
2
1
= 0 ,
= 2 ; T
T
1
1
5
3
29. Sea V un espacio vectorial. Muestre que si ~v V y r es un escalar que cumple

r~v = 0, entonces r = 0 o ~v = 0.
30. Sea {v1 , v2 , . . . , vn } un conjunto de vectores linealmente independientes. Muestre
que los vectores v1 , v1 + v2 , v1 + v2 + v3 , . . . , v1 + v2 + v3 + + vn son linealmente
independientes.
31. Encuentre un vector ~v en R3 que sea linealmente independiente a los vectores
(2, 1, 2) y (1, 3, 4)
32. Decida cuales de los siguientes conjuntos son subespacio de F (R) = {f : R R}:
a) K1 = {f : R R: x (f (x) = f (x)}
b) K2 = {f : R R: f (1) = 0}
166

c) K3 = {f : R R: f (x) = ax + b, a, b R, b 6= 0}
Rta. a) S, b) S, c) No.
33. Considere el espacio Mnn de todas las matrices n n. Es T = {aij = 0, i j}

un subespacio de Mnn ?
Rta. S.
34. Determine cuales de los siguientes subconjuntos dotados con las operaciones
usuales son subespacios del espacio vectorial dado.

a
b
| a, b R , V = M22 (R).
a)
ab a+b

Z 1
b) U = p(x) P3 :
p(x)dx = 0 , V = P3 .
0
Rta. a) S. b) S.
35. En el espacio vectorial real de los polinomios de grado menor o igual a 3 se
consideran los subconjuntos
F0 = {p(x) | p(0) = 0}
F1 = {p(x) | p(1) = 0}
F1 = {p(x) | p(1) = 0}
a) Probar que F1 , F0 y F1 son subespacios de P3 .
b) Hallar una base para cada subespacio.
Respuesta: b) F0 =gen{x, x2 , x3 }, F1 =gen({1 + x, 1 + x2 , 1 + x3 }),
F1 = gen({1 + x, 1 + x2 , 1 + x3 })
36. Calcule explcitamente los siguientes espacios:
a) El espacio generado por el vector (1, 2, 3) en R3 .
b) El espacio generado por los polinomios
p1 (x) = 3 + x2 + x3 y p2 (x) = x + 1.

1
c) El espacio generado por los vectores 1 ,
{p1 (x), p2 (x)} ,
donde

0
1
2 , 1 en R3 .
7
3
Rta. a) Recta que pasa por el origen en direccion del vector (1, 2, 3), b) Todos
los polinomios de la forma 3a + b + bx + ax2 + ax3 , a, b R, c) R3 .
37.
a) Sean x1 y x2 soluciones al sistema no homogeneo AX = b. Muestre que

x1 x2 es una solucion del homogeneo.
167
b) Sea x una solucion particular del sistema no homogeneo AX = b y sea y otra

solucion cualquiera del sistema AX = b. Muestre que existe una solucion h
del sistema homogeneo AX = 0 tal que y = x + h.
Rta. a) Halle A(x1 x2 ), b) Utilice la parte a).
38. Determine si el conjunto de vectores es linealmente dependiente o independiente.
a) {(3, 1, 2), (1, 5, 3), (1, 11, 4)} en R3 .
b) {x 1, x + 1, x2 } en P2 .
39. Considere H y K dos subespacios de V y defina H +K = {h+k | h H, k K}.

a) Muestre que H + K es un subespacio de V .
b) Si H K = {0}, muestre que dim(H + K) =dim(H)+dim(K).
no n n y R. Mostrar que el conjunto
n
S = {x R : Ax= x} es un
subespacio de Rn . Determine la dimension de S si
1 0
3
= 3 y A = 0 0 1 .
0 3
4
41. Sea P3 el espacio vectorial de los polinomios de grado menor o igual a 3; y sean
W = {p P3 : p(0) = 0} y U = {p P3 : p(1) = 0}. Muestre que W y U son
subespacios del espacio P3 . Determinar una base para W , una base para U y
una base para W U.
42. Sean V = R3 y W = {(x, y, z) : x + 2y + 3z = 0}.
a) Encuentre dos vectores v~1 y v~2 , que generen a todo W .
b) Esta el vector ~v = (1, 1, 1) en el gen{v~1 , v~2 }?
43. Determine si la transformacion dada es o no lineal

y
x
2
2
=
a) T : R R ,
T
x
y

x
1
3
2
y
=
b) T : R R ,
T
z
z

xy
x
2
2
=
c) T : R R ,
T
x
y
d ) T : M22 M22 , T (A) = AB; B una matriz fija

e) T : M22 M22 , T (A) = AAt
f ) T : P2 P1 , T (a + bx + cx2 ) = b + cx
168
44. Se dice
que la matriz A conmuta con la matriz B si AB = BA. Muestre que si
a b
conmuta con toda matriz 2 2, entonces existe un escalar k tal
A=
c d
que A = kI.

1 0
Sugerencia: Considere por ejemplo los productos AB, BA, con A =
0 0

0 1
.
yB=
0 0
CAPITULO
6
DETERMINANTE DE UNA TL
Regresamos ahora a la teorizacion sobre algebra lineal para poder avanzar en aplicaciones. Los resultados de esta seccion los necesitamos para hallar soluciones a sistemas
de ecuaciones, poder medir la cantidad de soluciones a un sistema de ecuaciones, para
hallar la inversa de una matriz y para diagonalizacion de matrices. Tambien representan una poderosa herramienta para retroalimentacion en contra de errores que son tan
comunes en algebra lineal.
6.1.
TL y determinantes
363. Definici
on. El determinante Det(T ) de una T L T : Rn Rn es el determinante de la matriz de T . La definicion se aplica s
olo cuando el dominio y el codominio
coinciden.
Recordemos que para hallar la matriz de una T L T se toma cada uno de los elementos de la base natural y se pasa por T . El resultado se escribe verticalmente formando
una matriz, la matriz de T . Dicho de otra manera, para hallar la matriz de T se toma el
n-plp unitario (la base natural), se transforma por T y el n-plp resultante, en notacion
vertical, da la matriz de T . Una vez que uno tiene la matriz, se la interpreta como un
plp y se le saca el determinante y ese es Det(T ).
T (~j)
~j
T (~i)
~i
Figura 6.0. El determinante de una T L T es el determinante de la imagen del plp
definido por la base natural.
En resumen, el determinante de una transformacion lineal T es el volumen (signado)
de la imagen por T del plp unitario.
169
170
CAPITULO 6. DETERMINANTE DE UNA TL
364. Ejemplo Calculemos el determinante de T (x, y) = (2x3y, x+4y). Primero

calculamos la imagen del cuadrado unitario T (1, 0) = (2, 1) y T (0, 1) = (3, 4). Por
lo tanto, la matriz de T es:

2 3
1
4
cuyo determinante es Det(T ) = (2)(4) (3)(1) = 8 3 = 5.

Hemos encontrado que Det(T ) = 5. Esto significa que T toma el 2-plp unitario y lo
transforma en un 2-plp cuyo 2-volumen es 5. Por tanto, el volumen del 2-plp unitario
se multiplico por 5. Esto tambien implica que el volumen de cualquier 2-plp tambien
se amplifica 5 veces:
365. Ejercicio Muestre que para la T del ejercicio previo siempre se da que:
Det(T (P )) = Det(T )Det(P ) donde P es cualquier 2-plp. Puede mostrarse que la prueba requerida depende tan s
olo de la linealidad de T y de la multilinealidad de Det. Por
tanto, este ejercicio puede generalizarse a cualquier T y a cualquier n-plp.
366. Teorema. El determinante de cualquier T L puede entenderse como un factor

de ampliaci
on. Mas precisamente, sea T : Rn Rn una T L. Sea P cualquier n-plp.
Entonces:
Det(T (P )) = Det(T )Det(P ).
En particular vol(T (P )) = |Det(T )Det(P )|
367. Teorema. Demostremos que si A y B son matrices cuadradas n n entonces
Det(AB) = Det(A)Det(B).
Demostraci
on. Cada matriz es la matriz de una T L asociada. Por lo tanto, podemos
ver a A y a B como T L. Puesto que ambas tienen el mismo dominio y codominio, se
pueden componer y la matriz asociada a la compuesta es el producto de las matrices
AB. Para hallar el Det(AB) lo que hacemos es tomar cualquier n-plp P y pasarlo por
B y lo que de, se pasa por A. Cuando pasa por B obtenemos que P se transforma en
B(P ) y que
Det(B(P )) = Det(B)Det(P )
pues el Det(B) funciona como factor de ampliacion.
Al pasar a B(P ) por A se obtiene:
Det(A(B(P ))) = Det(A)Det(B(P )) = Det(A)Det(B)Det(P )
es decir que
Det((AB)(P ) = Det(A)Det(B)Det(P )
por lo que el determinante o factor de ampliacion asociado al producto de matrices
es el producto de los determinantes.
368. Ejercicio Demuestre que el Det(T ) = 0 si T se define por T (x, y) = (x, 0).
6.1. TL Y DETERMINANTES
171
369. Ejemplo Ilustremos lo que significa Det(T ) = 0. Para ello, consideremos la

T L dada por T (x, y) = (x, 0) cuyo determinante es cero.
~
Vemos que T toma un vector (x, y) y le calcula la sombra vertical sobre el eje X.
~
Geometricamente, T toma todo el plano y lo apachurra verticalmente contra el eje X.
Muy en particular, T toma el vector (0, 1) y lo procesa en (0, 0). Es decir, lo apachurra.
Eso es lo mismo que decir que son muchos los vectores del plano que son apachurrados
~ Por ejemplo, T (3, 1) = T (3, 2) = T (3, 5) = (3, 0). Eso
sobre el mismo vector del eje X.
~ = Y~ tiene o bien muchas soluciones, o bien, no tiene
quiere decir que la ecuacion T (X)
ninguna. Veamos:
La ecuacion T (x, y) = (3, 0) tiene una infinidad de soluciones, todas del tipo (3, y).
Por lo tanto, esta ecuacion tiene una infinidad de soluciones con un grado de libertad,
pues podemos dar a y el valor que queramos.
En particular, la ecuacion T (x, y) = (0, 0) tiene una infinidad de soluciones con un
grado de libertad, de la forma (0, y).
Por otra parte, la ecuacion T (x, y) = (3, 1) no tiene ni siquiera una solucion, pues
para que pueda haber solucion, la segunda coordenada del vector del lado derecho de
la ecuacion debe ser cero.
Releamos los anteriores resultados en terminos de sistemas de ecuaciones:
T (x, y) = (x, 0) = (3, 0) es equivalente al sistema dado por:

x=3
0=0
lo cual no da informacion ni restricciones de ning
un tipo sobre y: este puede ser
cualquiera, mientras que x debe ser 3.
De igual forma, T (x, y) = (x, 0) = (0, 0) dice que

x=0
0=0
o sea que y queda libre: las soluciones son del tipo (0, y) que son una infinidad, o
sea, todo el eje Y~ .
Por otra parte, T (x, y) = (x, 0) = (3, 1) es equivalente al sistema

x=3
0=1
que da una contradiccion. Es decir, el sistema no tiene solucion.
on. Si el Det(T ) = 0 quiere decir que T toma el
n-plp unitario y al transformarlo lo apachurra, pues se le pierde el volumen. Pero
si Det(T ) 6= 0, quiere decir que T toma al n-plp unitario y al transformarlo no lo
apachurra. En otras palabras, si Det(T ) 6= 0, T toma al n-plp unitario, el cual es una
base, y lo transforma en otra base. Si el Det(T ) = 0, decimos que T es apachurrante
o que apachurra.
172
Ahora bien, si T apachurra al n-plp unitario, eso significa que hay muchos vectores
que al ser transformados caen sobre el mismo vector. Por lo tanto, T no es inyectiva,
~ = Y~ no tiene garanta de tener solucion u
no es 1-1, y por tanto, la ecuacion T (X)
nica.
Puede incluso que no tenga solucion.
Pero si Det(T ) 6= 0, eso implica que T no apachurra al n-plp unitario y por ende
no apachurra a nadie, y por tanto T es 1-1, es inyectiva. Eso quiere decir que si la
~ = Y~ tiene solucion, esta es u
ecuacion T (X)
nica. Pero, cuando hay solucion? Cuando
la transformacion es sobre, es decir, cuando para cualquier Y en el co-dominio existe
un X en el dominio tal que T (X) = Y . Cuando una T L es sobre?
on. Una transformaci
on lineal T : Rn Rn es 1-1 ssi
es sobre. Por tanto, si el sistema T (X) = Y tiene solucion, es u
nica.
Demostraci
on. Si T es 1-1, esta no puede apachurrar al plp unitario, i.e. la imagen
del plp unitario es una base que expande todo el codominio. Por lo tanto, T es sobre.
Supongamos ahora que T es sobre. Esto quiere decir que la imagen de T llena todo el
codominio. Esto implica que la imagen del plp unitario expande todo Rn . Puesto que
el plp unitario tiene n vectores, su imagen tiene maximo n vectores y debe expandir
un espacio de dimension n. Por lo tanto, la imagen del plp unitario es una base de Rn
y no puede ocurrir ning
un apachurramiento, dos vectores del dominio no pueden caer
sobre el mismo vector del codominio: T es 1-1. Por lo tanto, si la ecuacion T (X) = Y
tiene solucion, es u
nica.
372. Ejercicio Una T L puede entenderse dinamicamente como un proceso y geometricamente como una deformacion o transformaci
on. Una T L tiene inversa cuando
se puede reversar. Oficialmente, una T L T : V W tiene inversa cuando tiene inversa
como funcion, es decir, cuando existe G: W V tal que G F = I y F G = I, donde
I es la identidad en el dominio correspondiente. Demuestre que una transformaci
on
lineal T tiene inversa ssi su determinante est
a definido y no es cero. De ejemplos.
Como saber si dicha inversa es u
nica, o si es T L o no?
373. Definici
on. El determinante de un sistema de n ecuaciones con n variables
es el determinante de la matriz asociada a dicho sistema.
374.
Ejemplo
El sistema:

2x + 4y = 3
3x 7y = 5
tiene como matriz asociada:

M=
2
4
3 7
El determinante de M es 2 (7) 3 4 = 14 12 = 26.
173
375. Teorema. Si el determinante de un sistema de n ecuaciones en n variables

es cero, hay un apachurramiento de por medio, y el sistema o bien no tiene solucion,
~ = ~0 tiene la
o bien tiene una infinidad de soluciones. En particular, el sistema T X
~
solucion 0 y ademas otra infinidad de soluciones. Si el determinante de un sistema
de ecuaciones es diferente de cero, no hay ning
un apachurramiento de por medio y el
sistema tiene una solucion que es u
nica, es decir, la matriz asociada al sistema tiene
inversa.
376. Ejercicio imponente Proponga una demostraci
on rigurosa algebraica al teorema anterior que copie la sencillez y la naturalidad de un ataque geometrico. Primero
para el plano R2 y despues en general.
377. Ejemplo
el sistema:
Desde el punto de vista de las T L y sus determinantes estudiemos

2x + 4y = 3
3x 7y = 5
A este sistema le corresponde la matriz:

2
4
M=
3 7
El determinante de M es 2 (7) 3 4 = 14 12 = 26. M es una T L que
va del plano al plano.
(2, 3)
T
~j
~i
(4, 7)
Figura 6.1. Plastica lineal. T transforma o deforma el plp unitario en un plp.
M toma el cuadrado unitario formado por ~i, ~j y lo transforma en el paralelogramo
definido por los vectores (2, 3), (4, 7). El cuadrado unitario tiene area 1, pero el paralelogramo en que M transforma dicho cuadrado tiene area 26. El signo menos quiere
decir que mientras que en el cuadrado unitario uno va de ~i a ~j contrario a las manecillas
174
del reloj, en el paralelogramo imagen uno va de M (~i) hacia M (~j) con las manecillas
del reloj.
Puesto que el determinante de M no es cero, M no apachurra al plano al transformarlo. Por lo tanto, T es 1-1 y sobre. Eso quiere decir que a ning
un vector del
codominio le llega mas de un vector y que a todo punto del plano imagen le llega un
~ =B
~ tiene soluvector del plano preimagen. Por tanto, todo sistema de la forma M W
cion. Ademas, la solucion es u
nica. Pues si no fuese as, la T L M apachurrara alg
un
vector sobre otro y el determinante sera cero.
378. Ejemplo
el sistema:
Desde el punto de vista de las T L y sus determinantes estudiemos

2x + 4y = a
4x + 8y = b
A este sistema le corresponde la matriz:

2 4
M=
4 8
El determinante de M es 2 (8) 4 4 = 16 16 = 0. M es una T L que va del
plano al plano que toma el cuadrado unitario formado por ~i, ~j y lo transforma en el
paralelogramo definido por los vectores (2, 4), (4, 8).
T (~j) = (4, 8)
T
~j
~i
T (~i) = (2, 4)
Figura 6.2. Colapso, apachurramiento.

Estos dos vectores son colineales pues la segunda coordenada de cada vector es el
doble del primero. Esos dos vectores generan la misma lnea que pasa por el origen
cuya ecuacion es y = 2x. El cuadrado unitario tiene area 1, pero el paralelogramo en
que M transforma dicho cuadrado tiene area 0. Por eso decimos que M apachurra el
3-plp o cubo unitario.
Demostremos ahora que si M transforma el cuadrado unitario en un segmento
de recta con area cero, entonces, M apachurrara todo el plano sobre una lnea. En
efecto: el cuadrado unitario es generado por la base natural ~i, ~j. Las imagenes de estos
dos vectores son colineales, o paralelos, es decir, M (~i) = kM (~j). Tomemos un punto
cualquiera del dominio, con coordenadas arbitrarias (x, y). Su imagen es
M (x, y) = M (x~i + y~j) = M (x~i) + M (y~j) = xM (~i) + yM (~j)
175
= xkM (~j) + yM (~j) = (xk + y)M (~j)

En resumen:
M (x, y) = (xk + y)M (~j)
lo cual dice que todas las imagenes caen sobre un alargamiento o un acortamiento
de M (~j), o sea, caen sobre una lnea: M toma todo el plano y lo apachurra sobre una
lnea.
Puesto que el determinante de M es cero, M apachurra al plano al transformarlo.
En este caso, lo apachurra sobre una lnea. Vemos que no a todo punto del plano imagen
~ =B
~
le llega un vector del plano preimagen. Por tanto, todo sistema de la forma M X
a veces tiene solucion y en ese caso tiene muchas porque al vector de la imagen le caen
encima todos aquellos que son apachurrados sobre el. Pero puede ser que el sistema
no tenga solucion, pues M apachurra al plano sobre la recta y = 2x definida por los
puntos (2, 4) y (4, 8). Y si un vector en el plano imagen no esta en dicha lnea, pues no
le llega nadie del plano preimagen y el sistema no tiene solucion. Verifiquemoslo.
Resolvamos

2x + 4y = 5
4x + 8y = 10
Como podemos simplificar la segunda ecuacion por dos, el anterior sistema es equivalente a

2x + 4y = 5
2x + 4y = 5
y este nuevo sistema tiene una ecuacion repetida que no aporta informacion. Podemos tacharla. Solo queda la ecuacion:
2x + 4y = 5
despejando y = (5 2x)/4.
Es decir, cualquier par de valores de la forma (x, (5 2x)/4) satisface el sistema.
Por ejemplo, (0, 5/4) o bien, (1, 3/4). Infinitas soluciones que forman una lnea, la cual
tiene un grado de libertad.
~ =B
~ con B
~ = (5, 10), o sea, sobre
Todo eso fue as porque tomamos el sistema M X
la lnea y = 2x que es sobre la cual M apachurra todo el plano preimagen.
Resolvamos ahora el sistema:

2x + 4y = 5
4x + 8y = 11
Como podemos simplificar la segunda ecuacion por dos, el anterior sistema es equivalente al sistema

2x + 4y = 5
2x + 4y = 5,5
176
Por transitividad 5 = 5,5.

Eso es una contradiccion, no hay solucion al sistema. Por que? Porque el vector (5, 11) no queda sobre la lnea y = 2x donde queda apachurrado todo el plano
preimagen.
379. Ejercicio Estudie los siguientes sistemas tal como se hizo en los ejemplos
anteriores.
a) 2x 3y = 5, 3x 7y = 6
b) 2x 3y = 0, 3x 7y = 0
c) 2x 3y = 5, 4x 6y = 6
d) 2x 3y = 0, 4x 6y = 0
e) 2x 3y + 4z = 1, 4x 5y + 2z = 3, 6x 8y + 6z = 4
f) 2x 3y + 4z = 0, 4x 5y + 2z = 0, 6x 8y + 6z = 0
Nosotros hemos tomado el n-plp unitario como instrumento para predecir si una
T L tiene inversa o no, y si los sistemas de ecuaciones asociados tienen u
nica solucion o
si tal vez no tengan o si tal vez tengan una infinidad. En realidad, el cubo unitario no
es necesariamente el mejor instrumento de prediccion, del cual podemos saber gracias
al siguiente resultado.
380. Teorema del apachurramiento. Dada una T L, T : Rn Rm , entonces
Det(T ) = 0 si y s
olo si existe una base (un n-plp en el dominio de T , cuyas aristas
forman un conjunto LI), tal que al ser transformado por T , un n
umero positivo de
aristas son apachurradas contra cero mientras que el resto son transformadas en un
conjunto linealmente independiente.
Figura 6.3. Discriminacion lineal.

Comenzamos aclarando que una base en un espacio de 3 dimensiones puede ser
apachurrada contra un plano, pero eso no implica que sus aristas sean apachurradas
contra cero. En contraste, en nuestro teorema, las aristas apachurradas son apachurradas contra cero.
La mejor manera de entender este teorema tan espectacular es verlo funcionando.
381.
Ejemplo
177
Consideremos el sistema de ecuaciones
2x + 4y + 5z = 25
3x + 4y 8z = 13
5x + 8y 3z = 12
Este sistema contiene una T L asociada
3
M=
5
cuya matriz es:
4
5
4 8
8 3
Esta matriz toma vectores con 3 coordenadas (x, y, z) en R3 y produce vectores con
3 coordenadas dadas por (2x+4y+5z, 3x+4y8z, 5x+8y3z). Por lo tanto, define una
T L T : R3 R3 . Concretamente T (x, y, z) = (2x + 4y + 5z, 3x + 4y 8z, 5x + 8y 3z).
Para saber si hay apachurramiento o no del cubo unitario calculemos el
Det(T ) = 2(12 + 64) 4(9 + 40) + 5(24 20) = 104 124 + 20 = 0.
Hay apachurramiento del cubo unitario. Pero es posible que todo el cubo sea transformado en un plp, pero que ninguna arista del cubo unitario sea apachurrada sobre
cero, porque una de sus aristas quede apachurrada sobre el plano formado por las
imagenes de los otros dos vectores. Hallemos un 3-plp tal que las aristas apachurradas
caigan sobre cero. Se procede as:
Resolvemos el problema: hallar ~v : T (~v ) = ~0. Es decir, hallar (x, y, z) tales que
(2x + 4y + 5z, 3x + 4y 8z, 5x + 8y 3z) = (0, 0, 0)
Procedemos con Gauss-Jordan para resolver dicho sistema. El vector independiente
es siempre cero, y aunque combinemos los renglones, sigue siendo cero. Por lo tanto,
es siempre cero y se escribe:
2 4
5
3 4 8
5 8 3
1 0 13
R2 R1
31
3R1 2R2 0 4
0 0
0
R1 + R2 R3
1 0 13
R2/4 0 1 31/4
0 0
0
Eso significa que el sistema original es equivalente a:
x 13z = 0
y + (31/4)z = 0
o lo que es lo mismo
x = 13z
y = (31/4)z
178
Por lo tanto el conjunto de vectores que se aniquilan sobre cero quedando totalmente apachurrados es de la forma (13z, (31/4)z, z) = z(13, 31/4, 1). Por lo tanto,
podemos armar un plp cuya primera arista sea (13, 31/4, 1), la cual quedara totalmente apachurrada. Completemos ahora el 3-plp con otros dos vectores que no seran
apachurrados, es decir, que sus imagenes formen un conjunto LI.
La T L dada esta definida por
T (x, y, z) = (2x + 4y + 5z, 3x + 4y 8z, 5x + 8y 3z)
en notacion vertical eso se lee as:

5
4
2
2x + 4y + 5z
x
T y = 3x + 4y 8z = x 3 + y 4 + z 8
3
8
5
5x + 8y 3z
z
lo cual significa que T transforma todo el dominio en una combinacion lineal arbitraria de los vectores columna ah expresados. Nosotros ya sabemos que esos 3 vectores
no pueden expandir un espacio 3D, pues de lo contrario el cubo unitario no se apachurrara. Por lo tanto, dicho conjunto es LD. Ellos expanden un espacio 2D, generado por
un conjunto LI con 2 vectores. Vemos claramente que los dos primeros vectores forman
un conjunto {(2, 3, 5), (4, 4, 8)} que es LI puesto que no son m
ultiplos. Por lo tanto, el
tercer vector es una combinacion lineal de los otros dos:
(5, 8, 3) = 13(2, 3, 5) + (31/4)(4, 4, 8)
Por tanto, T transforma el espacio 3D en un nuevo espacio generado por estos dos
vectores, {(2, 3, 5), (4, 4, 8)}. Dicho espacio tiene dimension 2, un n
umero que se llama
el rango de T .
Estamos hallando una base, es decir, un 3-plp cuyos vectores forman un conjunto LI
tal que una de sus aristas se apachurre contra cero y las imagenes de las otras dos formen
un conjunto LI. El vector que se apachurra es (13, 31/4, 1) y los otros dos vectores
pueden tomarse como cualquiera de las preimagenes de los vectores {(2, 3, 5), (4, 4, 8)}.
~ Y~
382. Ejercicio Para terminar la demostraci
on anterior encuentre dos vectores X,
~ = (2, 3, 5) y T (Y ) = (4, 4, 8). Pruebe que el conjunto {X,
~ Y~ , Z}
~ con
tales que T (X)
3
~ = (13, 31/4, 1) es una base de R . Por lo tanto, el plp definido por dicho conjunto
Z
es tal que una de sus aristas se apachurra sobre cero mientras que las im
agenes de los
otros dos generan la imagen de T . El primero se apachurra sobre cero, pero los otros
dos conservan su independencia lineal al ser transformados.
6.2.
N
ucleo e imagen de una TL
Introducimos dos conceptos asociados a una TL, ambos de tremenda importancia:

el n
ucleo y la imagen.

6.2. NUCLEO
E IMAGEN DE UNA TL
179
383. Definici
on. Sea una transformaci
on lineal T : Rn Rm . El conjunto de
vectores que se apachurran totalmente por T se denomina espacio nulo, n
ucleo o
Kernel de T y se nota Ker(T ) y su dimensi
on se denomina nulidad y se nota (nu).
El conjunto formado por todas las im
agenes de T se denomina el espacio imagen,
se nota Im(T ) y su dimensi
on se denomina rango y se nota (ro).
En el anterior ejemplo, la nulidad es 1 y el rango 2. El espacio de salida es 3D. No
es una coincidencia que 1 + 2 = 3.
384. Teorema de las dimensiones. Para toda T L, T : Rn Rm se tiene que
la nulidad + el rango = dimensi
on del espacio dominio.
Es usual escribir esta ecuaci
on como n = +
DOMINIO
E. NULO
CODOMINIO
~0
IMAGEN
Figura 6.4. Espacio nulo e imagen.
Demostraci
on. Existe un n-plp, cuyos vectores forman una base del dominio, tal que el
n
umero de aristas apachurradas es igual a la nulidad , mientras que las otras aristas,
que son = n , tienen imagenes que forman un conjunto LI que expanden todo el
espacio imagen. Claramente n = + .
Para traducir los anteriores resultados en terminos de sistemas de ecuaciones necesitamos formalizar una definicion y a
nadir un teorema adicional:
180
~ = ~0 se llama homog
385. Definici
on. Un sistema de la forma M X
eneo.
~
~
Un sistema de la forma M X = B, con B 6= 0, se llama no homog
eneo. Un vector
~
especfico P que resuelve el sistema no homogeneo se llama soluci
on particular. Una
~ g se dice que es la soluci
familia de vectores X
on general al sistema, si cada miembro
de la familia es solucion y si cada solucion es un miembro de la familia.
~ =B
~
386. Teorema y ejercicio. La solucion a un sistema de ecuaciones M X
~ =N
~ + P~ donde N
~ representa el espacio nulo de M ,
se puede descomponer como X
~
~ = B.
~ Se acostumbra decir
solucion de M X = ~0 y P es cualquier solucion a M X
que la solucion a un sistema lineal de ecuaciones puede expresarse como la suma de
una solucion particular del no homogeneo, P~ , mas la solucion general a la ecuaci
on
~
homogenea, M X = 0.
Demostraci
on: Ejercicio.
387.
Ejemplo de todo a todo

Estudiemos el sistema
x + 3y = 7
3x + 9y = 21
Multiplicando la primera ecuacion por 3, obtenemos la segunda. Por tanto, la segunda ecuacion es redundante y podemos olvidarla. La primera ecuacion da:
y = 73 x3
lo cual significa que el conjunto solucion al sistema consiste de los pares
(x, y) = (x, 37 x3 ). Esta solucion puede ser escrita tambien como
(0, 37 ) + (x, x3 ) = (0, 73 ) + x(1, 31 ).
Por tanto, la solucion es una lnea que pasa por el punto (0, 73 ) y cuyo vector
director es (1, 13 ) y que tiene pendiente -1/3. Verifiquemos que (0,7/3) es en verdad
una solucion: x + 3y = 7 se convierte en 0 + 3( 73 ) = 7 que es una identidad.
El sistema homogeneo es
x + 3y = 0
3x + 9y = 0
Este sistema es redundante: multiplicamos la primera ecuacion por 3 y obtenemos
la segunda, la cual podemos olvidar. La solucion a la primera ecuacion es y = x/3, la
cual es una lnea que pasa por el origen y cuya pendiente es 1/3. Esta generada por
el vector (1, 1/3). Observemos que la solucion al sistema no homogeneo es la solucion
al sistema homogeneo, x(1, 1/3), mas una solucion especfica particular, (0, 7/3).
Ambos sistemas tienen asociada la misma T L, cuya matriz es

1 3
M=
3 9
El n
ucleo es el conjunto de vectores que caen sobre cero, i.e. son la solucion a la
homogenea, que es la lnea {(x, y): x, y R, y = x/3}.
La imagen de una matriz es, por definicion, la imagen de la T L asociada. En
consecuencia,

6.2. NUCLEO
E IMAGEN DE UNA TL
181

x + 3y
x
1 3
=
Im(M ) =
3x + 9y
y
3 9

1
1
1
3
1
= (x + 3y)
+ 3y
=x
+y
=x
3
3
3
9
3

o, Im(M ) es el sub-EV generado por (1, 3). Observemos que es una lnea con un
grado de libertad a pesar de que tiene como coeficiente (x + 3y): no importa como
combine uno x con y, siempre tenemos un m
ultiplo de (1, 3), o elementos de la forma
t(1, 3). Esto significa que el punto (x, y) Im(M ) ssi x = t, y = 3t. Por tanto, la
imagen es la lnea y = 3x con pendiente 3. Puesto que la lnea y = x/3 es solucion
del sistema homogeneo, con pendiente 1/3, somos testigos de que para esta matriz el
kernel y la imagen son perpendiculares.
El Det(M ) = 9 9 = 0, mostrando que M apachurra a R2 contra la imagen, la
lnea y = 3x. En particular, la lnea y = x/3 es apachurrada contra cero siguiendo
la direccion del vector director. Eso nos motivara a pensar que el conjunto solucion al
sistema no homogeneo, la lnea y = 7/3 x/3, es apachurrada contra la interseccion
de esta lnea con la lnea imagen y = 3x. Vamos a ver si eso es cierto o no.
El punto interseccion de la lnea solucion con la lnea imagen es la solucion al sistema
y = 7/3 x/3
y = 3x
Esto implica que 7/3 x/3 = 3x, o, 7 x = 9x, o x = 7/10 mientras que y = 21/10.
Nosotros estamos pretendiendo que la imagen de la lnea solucion y = 7/3 x/3 es
(7/10, 21/10). Es verdad?
Imagen
y = 7/3 x/3
Solucion
Kernel
y = 3x
y = x/3
Figura 6.5. Interpretacion geometrica de un sistema lineal.

Veamos. La imagen de la lnea es

1 3
3 9

x
7/3 x/3
x + 3(7/3 x/3)
3x + 9(7/3 x/3)
7
21
x+7x
3x + 21 3x
182
Por lo tanto, hemos malinterpretado algo, hemos imaginado que M apachurra todo
contra la lnea imagen de M en una direccion paralela al Kernel. Pero, M no es as de
simple. Para verlo, consideremos la imagen por M de los vectores (1, 1/3) y (1, 3).
El primer vector esta en el n
ucleo, por lo tanto, es apachurrado contra cero. Pero la
imagen del segundo vector es:

1
10
1
1 3
= 10
=
M=
3
30
3
3 9
por lo que M no apachurra (1, 3) sino que lo elonga 10 veces.
Tenemos entonces una interpretacion geometrica de M. Ella apachurra los vectores
en la direccion y = x/3 pero elonga 10 veces los vectores en la direccion y = 3x.
Adicionalmente, tenemos la siguiente confirmacion: la matriz M genera la T L
M : R2 R2 tal que Dim(Ker(M ))+Dim(Im(M )) = 1 + 1 = 2 = dimension del
dominio, lo cual se escribe usualmente como + = n y que se puede leer como:
nulidad mas rango igual a n
umero de inc
ognitas.
N
umero de grados de libertad de la solucion = 1 =Dim(kernel).
388. Ejercicio En el ejemplo previo, el Kernel y la imagen de M fueron perpendiculares mutuamente: Es una coincidencia o un teorema por descubrir? Para enriquecer
la pregunta, estudie los sistemas
a) x + 3y = 7; 3x + 9y = 21
b) ax + by = 7; bx + cy = 21
389.
Ejemplo de todo a todo
Resolvamos el sistema
2x + 4y + 5z = 25
3x + 4y 8z = 13
5x + 8y 3z = 12
Podemos proceder por Gauss-Jordan:
2 4
5
3 4 8
5 8 3
R2 R1 1 0 13
3R1 2R2
31
0 4
R1 + R2 R3
0 0
0
1 0 13
R2/4
0 1 31/4
0 0
0
..
.
25
..
. 13
..
.
12
..
. 38
..
. 101
..
.
0
..
.
38
..
. 101/4
..
.
0
Eso significa que el sistema original es equivalente a:

6.2. NUCLEO
E IMAGEN DE UNA TL
183
x 13z = 38
y + (31/4)z = 101/4
x = 38 + 13z
y = 101/4 (31/4)z
En notacion vertical la solucion se puede escribir como:

13
38
38 + 13z
x
y = 101/4 (31/4)z = 101/4 + z 31/4
1
0
z
z
Esa forma de escribir da directamente una solucion particular

x = 38, y = 101/4, z = 0
y una solucion del espacio nulo con un grado de libertad: z(13, 31/4, 1).
Debemos aclarar que cuando el espacio nulo no es el vector cero, la solucion puede
escribirse de muchas maneras. Por ejemplo, para obtener, en este caso, una solucion
particular podemos dar a z el valor de z = 3 y por tanto y = 2, x = 1 y la solucion
podra escribirse:

13
1
x
y = 2 + z 31/4
1
3
z
Vemos que el Kernel de la T L asociada, llamemosla M , es generado por el vector
(13, 31/4, 1). La dimension del Kernel es uno. Por lo tanto, la imagen debe estar
generada por dos vectores para que su dimension sea dos.
El determinante de M es cero. Por lo tanto, la T L M apachurra el espacio R3 contra
la imagen:

2
4
5
Im(M ) = x 3 + y 4 + z 8
5
3
8
Estos tres vectores generan el subespacio Im(M ), pero deben formar un conjunto
LD. Los dos primeros vectores {(2, 4, 5), (3, 4, 8)} forman un conjunto LI porque
uno no es m
ultiplo del otro. Por lo tanto, esos dos vectores generan toda la imagen
de M . Un conjunto generado por dos vectores es un plano, cuyo vector normal es el
producto cruz de dos vectores no paralelos sobre el plano: el vector normal al plano
es (52, 31, 4). La imagen de una T L es un EV , por lo tanto, el plano pasa por el
origen. Por lo que la ecuacion del plano es 52x + 31y 4z = 0. En conclusion, M
apachurra el espacio 3D sobre el plano cuya ecuacion es 52x + 31y 4z = 0, pero
a
un no sabemos que es lo que M hace sobre el plano. Aprenderemos mas acerca de
esto en un proximo captulo sobre diagonalizacion.
De otro lado, podemos decir que un sistema de la forma M X = B, con la M de
este problema, a veces tiene solucion y a veces no. El sistema tiene solucion cuando
B y en ese caso la solucion no es u
nica: a cualquier solucion podemos a
nadir el
Kernel, el cual es la lnea generada por (13, 31/4, 1). Pero si B no esta en , no hay
solucion y el sistema sera inconsistente.
184
Un sistema de ecuaciones es reducido por Gauss-Jordan para saber el n

umero de
ecuaciones independientes del sistema. Por lo que Gauss-Jordan es un procedimiento
para descartar redundancias. De esa forma uno puede mecanicamente formar una base
para el espacio dado. Ademas, sabemos que la dimension del Kernel es igual al n
umero
de parametros libres del conjunto solucion al sistema de ecuaciones. Por otro lado, el
rango es la dimension de la imagen, la cual es tambien igual al n
umero de vectores
de cualquier base de la imagen. La suma de esos dos n
umeros es igual al n
umero de
incognitas del sistema. Hay varias relaciones de ese tipo que envuelven una variedad
de descriptores, tal como lo muestra el siguiente teorema y ejercicio.
390. Teorema. Si una matriz es sometida al proceso de depuraci
on por GaussJordan, el n
umero de filas independientes es igual al n
umero de columnas independientes.
Demostraci
on. Una matriz representa una LT T : Rn Rm . Sabemos que la dimension
del Kernel, , mas la de la imagen , es igual a la dimension del dominio n. Tenemos
+ = n. Equivale a n = . La primera cantidad, n , es el n
umero de incognitas
menos el n
umero de parametros libres, que da . Pero que es ? es la dimension de la
imagen o el n
umero de columnas independientes.
391. Gran ejercicio Supongamos que tenemos un sistema de ecuaciones, cuya matriz asociada sea M , con n inc
ognitas y que al hacer la reduccion quedamos con i ecuaciones independientes. Desenmara
ne varias relaciones que pueden incluir: el n
umero
de inc
ognitas, el n
umero de par
ametros libres, la dimensi
on del Kernel de M, la dimension de la imagen de M , el n
umero de filas independientes de M, el n
umero de
filas redundantes de M , el n
umero de columnas independientes de M, el n
umero de
columnas redundantes de M .
392. Ejercicios para lucirse Usando el poder de la maquinaria desarrollada, estudie los siguientes sistemas de ecuaciones. Para cada T L asociada especifique el dominio, el rango, el espacio nulo y construya bases para dichos subespacios, verifique
que n = + y ofrezca una interpretacion geometrica de la T L asociada:
a)
2x y = 3
4x 2y = 6
b)
xy = 1
4x 4y = 4
x + 4y + 2z = 25
2x y 5z = 10
c)
x + 3y 3z = 15
2x + 4y + 5z = 25
4x + 8y + 10z = 50
d)
6x + 12y + 15z = 75
185
2x + 4y + 5z = 25
3x + 4y 8z = 13
e)
5x + 12y 3z = 12
393. Tema de investigaci
on para exponer. Investigue los sistemas de Lindenmayer y los fractales. Puede empezar con el libro de Prusinkiewicz (1989). Internet tambien es muy rico en literatura sobre el tema, el cual puede explorarse en
www.Google.com/. Para poder descifrar la car
atula del libro correctamente necesita estudiar y entender este tema propuesto. Es un tema bellsimo.
Figura 6.6. Arte y matematicas.
6.3.
1. Definimos el espacio columna de una matriz M de n columnas y m filas como

el espacio generado por las columnas de la matriz tomadas como vectores de Rm .
Demuestre que el espacio columna de M es igual a Im(T ).
no n n. Demuestre que los vectores renglon de la
matriz A son linealmente dependientes si y solo si, los vectores columna de A son
linealmente dependientes.
3. Si T : R4 R3 es una transformacion lineal, puede ser T inyectiva? (Justifique
completamente su respuesta).
4. Encuentre el n
ucleo, la imagen, la nulidad y el rango de las siguientes transformaciones lineales:

x
2
=x+y
a) T : R R,
T
y

x
b) T : R3 R,
T y =x+y+z
z

x
x
+
y
+
z
3
2
c) T : R R ,
T y =
x y + 2z
z
186

Respuesta: a) Ker(T ) =gen
Rango= 1,
5. Considere la matriz A =
para que
a) Rango de A sea igual a 1.
1
1
a b c
1 1 1

, nulidad=1, Imagen(T ) = R,

. Encontrar condiciones sobre a, b, y c
b) Rango de A sea igual a 2.
6. Sea T : P3 P2 la transformacion definida por T (p(x)) = p (x) donde p (x)

denota la derivada de p(x). Muestre que T es lineal, halle el n
ucleo e imagen de
tal transformacion y una base para el n
ucleo y una para la imagen. Invente una
forma matricial de calcular T (p(x)), lo cual implica fabricar la base natural del
dominio y transformarla por T .
6.4.
Resumen
A cada paraleleppedo (plp) se le puede asociar su volumen. El determinante calcula

el volumen y ademas da un signo (que puede interpretarse como orientacion, sea por
la mano derecha o la izquierda). Una T L es una funcion que transforma plps que
salen del origen en plps que salen del origen. Representando una T L por su matriz
asociada naturalmente, e identificando dicha matriz con un plp, tenemos que a cada
T L le corresponde un n
umero, su determinante. Su significado es, aparte del signo, el
siguiente: el determinante de una T L dada T es el factor de ampliacion de los vol
umenes
de los plps al ser transformados:
Det(T (plp)) = Det(T )Det(plp)
Si el determinante de una T L es cero, la T L apachurra a todo n-plp. Por tanto,
si un sistema de ecuaciones tiene a T como T L asociada, el sistema puede carecer
de soluciones o bien tiene un n
umero infinito de soluciones. La solucion general a un
sistema de ecuaciones puede descomponerse como la suma de una solucion particular y
de la solucion al sistema homogeneo. Un sistema de ecuaciones siempre tiene solucion
y es u
nica ssi el Det de la T L asociada es diferente de cero.
CAPITULO
7
LA MATRIZ INVERSA
La inversa de una transformacion lineal es una funcion que deshace lo que la primera
hizo. No toda transformacion lineal tiene inversa. Pero cuando la inversa de una T L
existe, podemos probar que es otra T L. Como una T L en dimension finita es una
funcion que puede representarse por una matriz, el problema de la T L inversa es el
de la matriz inversa, es decir, el de encontrar otra matriz que al multiplicarla por la
primera nos de la identidad. Un algoritmo para el calculo de la inversa puede verse
directamente en el ejemplo 405.
394. Definici
on. Si existe (como funcion) la inversa de una T L, T : V W,
~ =X
~ y viceversa:
se denota T 1 : W V la cual deshace lo que T hizo: T 1 (T (X))
1 ~
~ est
T (T (Y )) = Y~ donde X
a en el dominio de T , que es V , y Y~ en su codominio, W .
~
X
Y~
T 1
Figura 7.0. La transformacion inversa.
187
CAPITULO 7. LA MATRIZ INVERSA
188
395. Definici
on. T es una T L invertible si existe su inversa como funci
on.
396. Ejemplo T (x) = 3x es una T L de R en R. Ella multiplica por 3 un n
umero
dado. Por consiguiente, su inversa debe ser aquella funcion que divide por 3 a cualquier
n
umero: T 1 (y) = (1/3)y. En efecto, si las componemos, tenemos:
T 1 (T (x)) = T 1 (3x) = (1/3)(3x) = x
y ademas,
T (T 1 (y)) = T ((1/3)y) = 3(1/3)y = y.
Observese que la inversa de una T L no necesariamente existe, pensemos en esto: si T
denota una proyeccion, digamos, T (x, y) = (x, 0), entonces, esta funcion asocia a cada
vector su componente x dejando de lado su componente y. Por ejemplo, T (3, 4) = (3, 0)
y T (3, 5) = (3, 0). Ahora preguntamos: cual es T 1 (3, 0)? Es (3, 4) o es (3, 5). Puesto
que no se puede escoger un u
nico valor, entonces T no tiene inversa. Pero si la inversa
llegase a existir, de antemano se sabe que debe ser T L. En efecto:
397. Teorema. Si T es una T L y es invertible, su inversa tambien es T L.
Demostraci
on. Sea T 1 la funcion inversa de T . Sea T (~x) = ~z, T (~y ) = w,
~ que es lo
1
1
mismo que decir que: T (~z) = ~x, T (w)
~ = ~y .
Por tanto:
T 1 (~z + w)
~ = T 1 (T (~x) + T (~y )) = T 1 (T (~x + ~y ))
= ~x + ~y = T 1 (~z) + T 1 (w),
~
lo cual demuestre que T 1 reparte la suma y es compatible con la multiplicacion
escalar y por lo tanto es lineal.
398. Teorema y ejercicio. La matriz de la T L inversa de M es una matriz M 1
tal que
M M 1 = M M 1 = I
Demostraci
on: ejercicio.
7.1.
El c
alculo de la inversa
Para hallar la inversa hay varios caminos. Uno de ellos es plantear el producto
de matrices dado en el teorema anterior y sacar n2 ecuaciones y resolverlas. Eso es
mucho trabajo. Existe un metodo mucho mas facil conocido como el algoritmo de
Gauss-Jordan para la inversa.
Recordamos que el algoritmo de Gauss-Jordan para resolver un sistema de ecuaciones consiste en recobrar la matriz identidad. Por otra parte, un sistema de ecuaciones
~ = B,
~ o sea que solucionarlo corresponde a hallar la imagen inversa
se escribe como M X
~
de B por M . En efecto, si la inversa de M existe, multiplicando la ecuacion a resolver
a ambos lados por la inversa tenemos:

7.1. EL CALCULO
DE LA INVERSA
189
~ = M 1 B
~
M 1 M X
1 ~
~
IX = M B
~ = M 1 B
~
X
Todo esto nos hace pensar que al resolver un sistema de ecuaciones con solucion
u
nica, implcitamente se ha resuelto la inversa. Los siguientes teoremas nos dicen que
nuestra intuicion es correcta. Nuestro primer paso sera demostrar que el algoritmo de
Gauss-Jordan para resolver sistemas de ecuaciones puede automatizarse.
399.
Ejemplo
Sea una matriz cualquiera

M=
a b
c d
Verifiquemos que la operaci

on de sumar las dos filas de M y poner el resultado en
su segunda fila es equivalente a multiplicar por la izquierda a M por la matriz
S=
Demostraci
on.
1 0
1 1
..
.
..
.
a
b
c
d
..
..
SM = ... ... ...
1 0 ...
a
b
..
1 1 . a+c b+d
Vemos que en la segunda fila aparece la suma de las dos primeras.

400. Ejercicio Halle la matriz S que al operar sobre M resta las dos primeras filas
y pone el resultado en la primera fila.
401. Definici
on. Se dice que G es un algoritmo lineal si G es una cadena de
matrices o T L que cambia matrices en matrices.
402. Ejemplo
algoritmo lineal.
Combinar ecuaciones para resolver un sistema de ecuaciones es un
403. Teorema. Todo algoritmo lineal G que se aplica sobre una matriz M es
equivalente a multiplicar a M por una matriz.
190
Demostraci
on. Una matriz es un arreglo rectangular que lo escribimos de esa forma
para nuestra conveniencia. Pero tambien podramos haberla escrito en forma lineal,
formando un gran vector. Visto de esa forma, una matriz como un gran vector, usamos ahora el hecho que toda T L tiene una matriz asociada. Por tanto, toda T L sobre
matrices tiene otra matriz y por consiguiente todo algoritmo lineal tambien tiene una
matriz. Visto con mas calma, toda operacion entre filas para reducir una matriz tiene
una matriz asociada, y al ir encadenando dichas operaciones lo que realmente hacemos
es ir multiplicando las matrices asociadas correspondientes. Al terminar toda la reduccion, tenemos un gran producto de matrices asociadas, la cual da una gran matriz,
que es aquella a la que se refiere este teorema.
404. Teorema de Gauss-Jordan para la inversa. Un algoritmo lineal que

transforma una matriz M en la identidad I, tambien transforma a la identidad en la
inversa. Para implementar este teorema se pone un arreglo que contenga la matriz M
y a su lado la identidad, se transforma a M en la identidad y lo que se le haga a M se
va haciendo directamente sobre I. El resultado es que en vez de I queda M 1 . Eso se
nota (M |I) (I|M 1 ).
Demostraci
on. Un algoritmo que transforma una matriz M en la identidad I equivale
a multiplicar por una matriz, digamos H:
HM = I
Por lo tanto H = M 1 .
El algoritmo se implementa con el metodo de la matriz aumentada, como podemos
verlo en el ejemplo siguiente.
405. Ejemplo Calculemos la matriz inversa de la siguiente matriz, en donde hemos

dejado el termino independiente del sistema del cual proviene:
!
.
3 4 .. 7
.
4 3 .. 7
Para ello cuadramos una supermatriz que contenga la identidad:
!
..
..
3 4 . 1 0 . 7
.
.
4 3 .. 0 1 .. 7
Ahora transformamos la matriz M en la identidad y lo mismo que le hacemos a M
le hacemos a la identidad que la acompa
na en el centro del arreglo matricial. Cuando
terminemos, en el lado izquierdo tendremos la identidad, en el centro la inversa de M
y en el lado derecho la solucion:
!
.
.
4R1
12 16 .. 4 0 .. 28
.
.
3R2
12 9 .. 0 3 .. 21

7.1. EL CALCULO
DE LA INVERSA
R1 R2
R1/4
R2/7
R1 4R2
R1/3
.
12 16 .. 4
0
..
0 7 . 4 3
191
!
..
. 28
..
. 7
.
3 4 ..
1
0
..
0 1 . 4/7 3/7
!
..
. 7
..
. 1
.
3 0 .. 9/7 12/7
.
0 1 ..
4/7 3/7
!
..
. 3
..
. 1
!
.
.
1 0 .. 3/7
4/7 .. 1
.
.
0 1 ..
4/7 3/7 .. 1
De acuerdo con la etica matricial, verificamos la respuesta. La solucion x = 1, y = 1

se verifica directamente. Lo que queda por verificar es la inversa. Debemos multiplicar
las dos matrices cuyo producto debe ser la identidad:
..
. 3/7
4/7
..
.
4/7 3/7
..
..
T S = ... ... ...
3 4 ...
7/7
0
..
4 3 .
0
7/7
que indica que el producto de las dos matrices es la identidad: la aritmetica es

correcta y la inversa es la que se dijo que era.
406. Ejemplo Demos una mirada al ejercicio anterior desde otra perspectiva que
nos permita entender mucho mejor el significado de un algoritmo lineal.
Comencemos con un sistema de ecuaciones cuya matriz A es:

3 4
A=
4 3
Nuestro proposito es convertir la matriz del sistema en la identidad. Para lograrlo,

la primera cosa que debemos hacer es multiplicar la primera fila por 4 y la segunda
por 3. Para hacer esa tarea podemos multiplicar por la izquierda por la matriz

4 0
Z1 =
0 3
Como podemos estar seguros de que esta es la matriz correcta? Por verificacion
directa o tambien haciendo la tarea sobre la identidad. Recordemos que la tarea era
multiplicar la primera fila por 4 y la segunda por 3: si hacemos esa operacion sobre la
identidad, obtenemos la matriz Z1 .
Despues ponemos en la fila 2 a R1 R2 , fila uno menos fila dos. Eso se hace
automaticamente multiplicando por
192
Z2 =
1
0
1 1
Despues, dividimos la fila uno por 4 y la dos por 7. Esto produce
Z3 =
1/4
0
0 1/7
Ahora, ponemos sobre la fila uno, R1 4R2 , una tarea que se hace con
Z4 =
1 4
0
1
Finalmente dividimos la primera fila por
Z5 =
1/3 0
0 1
A estas matrices, las Z, las llamamos matrices de Gauss.

Por eso, nosotros hacemos, en el orden correcto, una cadena de multiplicaciones que
convierten la matriz A en la identidad:
Z5 Z4 Z3 Z2 Z1 A = I
La cadena de multiplicaciones Z5 Z4 Z3 Z2 Z1 es una matriz, llamemosla Z. Tenemos
ZA = I y Z por tanto debe ser la inversa de A: Z = A1 . Si aplicamos el mismo
algoritmo sobre la identidad, tenemos todo: ZI = Z = A1 .
Resumiendo: una cadena de multiplicaciones de matrices de Gauss que convierte
una matriz A en la identidad, es en u
ltimo termino una multiplicacion por una sola
matriz que es la inversa de A. Si aplicamos el mismo algoritmo sobre la identidad,
obtendremos, por supuesto, la matriz inversa A1 .
407. Ejemplo Hemos encontrado en el u

ltimo ejemplo que fue necesario hacer una
cadena de multiplicaciones, Z5 Z4 Z3 Z2 Z1 . Aprendamos un metodo eficiente para hacerlo
en el orden correcto:

7.1. EL CALCULO
DE LA INVERSA
193
..
.
..
.
0
3
... ... ...

..
..
.
..
1
0
4
0
.
1 1 ..
4
3
... ... ...
..
..
..
0 .
1
0
1/4
0 1/7 ...
4/7
3/7
... ... ...

..
..
.
.
1 4 . 9/7 12/7
0
1 ..
4/7 3/7
... ... ...

..
..
..
1/3
0 . 3/7
4/7
..
0
1 .
4/7 3/7
La matriz que queda abajo a la derecha es la inversa de la que queda arriba a la

derecha, lo cual ratifica lo visto en ejemplos anteriores.
408. Ejercicio Utilice el algoritmo de Gauss-Jordan para hallar la inversa, si existe,
de cada una de las siguientes matrices:

1 4
a)
2 7

2 8
b)
8 2

0.2 0.8
c)
0.8 0.2

cos sen
d)
sen cos
Ayuda para la u
ltima matriz, ejecute las siguientes operaciones:
1. Ponga en la fila 1: cos R1 + sen R2 y use la identidad sen2 + cos2 = 1.
2. Ponga en la fila 2: sen R1 R2 y cambie sen2 1 por cos2
3. Multiplique la fila 2 por 1/ cos .
409. Ejercicio Descomponga cada inversa hallada en el problema anterior en un
producto de matrices de Gauss. Verifique su respuesta.
194
410. Intriga. El algoritmo de Gauss-Jordan para hallar la inversa podra ejecutarse

de varias maneras: Dar
an todas esas maneras la misma respuesta final? O en otras
palabras, es la inversa u
nica? La respuesta es afirmativa. De igual forma que el inverso
del n
umero 5 es 1/5 y ning
un otro, la inversa de una matriz es una sola (si existe) y
todos los metodos dan la misma respuesta.
411. Teorema. La inversa es u

nica. Prueba: Sean B y C inversas de A,
entonces
AB = BA = I y AC = CA = I.
Debemos probar que B = C. Puesto que BA = I, entonces BAC = IC = C. Pero
AC = I, por tanto, BAC = BI = B. En conclusi
on, B = C.
412. Ejercicio Nosotros utilizamos en el ejemplo previo el hecho de que el producto
de matrices es asociativo. Esto significa que el producto de matrices est
a definido para
dos matrices, y que por lo tanto, para multiplicar 3 matrices, debemos multiplicar las
dos primeras, en el orden correcto, y el resultado multiplicarlo por la tercera. O podemos
multiplicar la segunda por la tercera, en el orden correcto, y el resultado multiplicarlo
por la primera. Resulta que ambos metodos dan lo mismo: a esto se llama asociatividad de la multiplicaci
on de matrices. Escrito formalmente ABC = A(BC) = (AB)C
donde A, B, C son matrices que se pueden multiplicar en el orden se
nalado. Recalque
donde usamos la asociatividad en la demostraci
on del teorema anterior. Demuestre tal
propiedad: puede hacerse directamente sobre matrices o sobre composicion de las T L.
Cuando la matriz inversa existe, es u
nica, lo cual significa que todos los metodos
inventados o por inventar dan la misma u
nica respuesta. Ademas del metodo de GaussJordan existe otro metodo muy popular llamado de los cofactores. En la explicacion que
daremos, usamos la notacion Mij para denotar la entrada de la matriz M que queda en
la fila i columna j. Ademas, usamos la transpuesta de una matriz definida as: si M
tiene en su fila i columna j la entrada Mij entonces la transpuesta de M , notada M t ,
se define por (M t )ij = Mji , es decir, la transpuesta de una matriz es la matriz reflejada
con respecto a la diagonal. Tambien, usamos submatrices que resultan de tachar en
una matriz una determinada columna y una fila.
413.
Ejemplo
Sea
a b c
M = d e f
g h i
Tenemos que M12 = b, M21 = d.

Y la transpuesta de M es
a d g
Mt = b e h
c f i
Por otro lado, si tachamos en M la fila 2 y la columna 2 nos queda la submatriz

7.1. EL CALCULO
DE LA INVERSA
195
a g
c
414. La inversa por cofactores. En el caso 2 2 aparecio el determinante en

el calculo de la matriz inversa como indicador o negador de su existencia. Eso era
de esperarse, pues si una matriz apachurra al cubo unitario, entonces no puede ser
uno a uno, inyectiva, y a varios elementos del dominio le hace corresponder el mismo
elemento del codominio. Por lo tanto, no puede tener inversa. Resulta que si la matriz
inversa existe, todas sus entradas siempre pueden darse en terminos de determinantes
y de determinantes de submatrices, tal como lo explicamos enseguida:
El algoritmo general para hallar la inversa por medio de subdeterminantes o cofactores es como sigue:
0. Una matriz que no es cuadrada, no tiene inversa. En efecto, una matriz no
cuadrada apachurra o bien deja a alguien sin imagen.
1. Si la matriz M es cuadrada, se calcula su determinante. Si es cero, no hay inversa
y el algoritmo se termina. Si el determinante es diferente de cero, la inversa existe y
hay que buscarla.
2. Se fabrica una matriz C de cofactores [Cij ]. El cofactor Cij es (1)i+j multiplicado
por el determinante de la matriz que queda de tachar la fila i y la columna j.
3. Se fabrica la matriz adjunta de M , notada Adj(M ) y que es la transpuesta de la
matriz de cofactores. Si la matriz de cofactores es [Cij ], su transpuesta es [Cji ] que es
la matriz adjunta.
4. La matriz inversa es: uno sobre el determinante de M por la matriz adjunta. O
tambien: la matriz inversa es uno sobre el determinante por la matriz de cofactores
transpuesta.
Para probar que este algoritmo funciona lo mejor es probar que
1
M (Adj(M )) = (detM )I. De lo cual se concluye que M DetM
Adj(M ) = I, y como la
inversa es u
nica, se deduce que
M 1 =
1
Adj(M )
DetM
.
415.
Ejemplo
Calculemos por el metodo de los cofactores la matriz inversa de

M=
a b
c d
1. Calculamos su determinante: DetM = ad bc y la matriz inversa existe si su

determinante es diferente de cero, y en ese caso debemos calcularla.
196
2. Fabricamos la matriz de cofactores. El cofactor c11 es (1)i+j = (1)1+1 = 1

multiplicado por el determinante que resulta de tachar la fila 1 y la columna 1. Al
tachar lo que toque, queda la submatriz de un solo elemento d. Su determinante es
d. Por lo tanto, c11 = d. El cofactor c12 es (1)i+j = (1)1+2 = 1 multiplicado por
el determinante que resulta de tachar la fila 1 y la columna 2. Se tacha y queda la
submatriz de un solo elemento c. Su determinante es c. Por lo tanto, c12 = c. El
cofactor c21 es (1)i+j = (1)2+1 = 1 multiplicado por el determinante que resulta
de tachar la fila 2 y la columna 1. Se tacha y queda la submatriz de un solo elemento b.
Su determinante es b. Por lo tanto, c21 = b. El cofactor c22 es (1)i+j = (1)2+2 = 1
multiplicado por el determinante que resulta de tachar la fila 2 y la columna 2. Se
tacha y queda la submatriz de un solo elemento a. Su determinante es a. Por lo tanto,
c22 = a.
3. La matriz de cofactores es:

d c
C=
b
a
4. La matriz inversa es: uno sobre el determinante de M por la matriz de cofactores
transpuesta. La inversa es la siguiente:

1
d b
d b
1
=
M = (1/DetM )
c
a
a
ad bc c
O bien, la matriz inversa es uno sobre el determinante por la adjunta, donde la
adjunta es la matriz de cofactores transpuesta:

d b
Adj(M ) =
c
a
Observese que
M (Adj(M )) =
En definitiva
ad bc
0
0 ad bc
= (detM )I.
416. Ejercicio Tome las matrices siguientes e inviertalas por el metodo de cofactores. Verifique su respuesta multiplicando las dos matrices y recobrando la identidad.
1 2 3
a) 4 5 6
7 8 9
1 0
1
b) 2 0 1
2 3
0
417. Ejercicio Para que valores de la matriz siguiente es invertible?
1
2
3
0 1
1
0
1
LU
7.2. LA DESCOMPOSICION
197

on Demuestre en general que el metodo de los cofactores funciona. Es decir, que en realidad s produce la inversa. Lo que hay que hacer
es demostrar que la inversa producida por el metodo de los cofactores multiplicada por
la matriz dada produce la identidad. O mas facil, la matriz dada multiplicada por su
adjunta da el determinante por la identidad.
7.2.
La descomposici
on LU
Ya sabemos como usar el metodo de Gauss-Jordan para invertir una matriz de

tama
no 22. Uno intuye que para matrices mas grandes todo lo que uno tiene que hacer
es trabajar un poco mas siguiendo la misma metodologa. Pue s, eso es cierto aunque
no completamente. Lo que sucede es que, en general, la solucion a un problema grande
no es la solucion agrandada de un problema peque
no. Por que? Porque siempre nacen,
como mnimo, responsabilidades administrativas para manejar vol
umenes grandes de
informacion, por ejemplo, en relacion con una memoria limitada. Eso es tan serio que
hay toda una ciencia llamada analisis numerico (Burden y Faires, 1985) que trata tanto
problemas de gran volumen de informacion como de problemas que no sabemos o no
podemos resolver mediante formulas.
En esta seccion desarrollaremos un ejemplo de encontrar la inversa de una matriz
3 3 por el metodo de Gauss-Jordan con el proposito de entender el teorema de
descomposicion LU que tiene utilidad en analisis numerico.
419.
Ejemplo
Calculemos la matriz inversa de
1 1
1
M = 0 1 2
1
1 1
Solucion: planteamos la matriz aumentada:
1 1
1
0 1 2
1
1 1
..
. 1 0 0
..
. 0 1 0
..
. 0 0 1
Ahora transformamos la matriz M en la identidad y lo que le hacemos a M, se lo

hacemos a la identidad:
1 1
1
0 1 2
R1 R3
0 2
2
1 1 1
R2 0
1 2
0 2 2
..
.
..
.
..
.
..
.
..
.
..
.
1 0
0 1
0
0
1
0
0 1
0 1
0
1
0
1
198
.
1 1 1 .. 1
0
0
..
0
1
2
.
0
1
0
..
2R2 + R3
0
0 6 . 1 2 1
..
0
R1 + R2 1 0 3 . 1 1
0 1 2 ... 0 1
0
..
0 0 6 . 1 2 1
..
0
1
2R1 R3 2 0 0 . 1
0 1 2 ... 0 1
0
..
0 0 6 . 1 2 1
..
2 0 0 .
1
0 1
3R2 R3 0 3 0 .. 1 1 1
..
0 0 6 .
1 2 1
..
1/2
0 1/2
(1/2)R1 1 0 0 .
.
.
(1/3)R2 0 1 0 . 1/3 1/3 1/3
.
(1/6)R3
0 0 1 ..
1/6 2/6 1/6
Ahora codificamos cada transformacion entre los renglones de M como una matriz
que se halla aplicando sobre la identidad la operacion dada:
La operacion de poner en la tercera fila R1 R3 corresponde a
1 0
0
0 1
0
1 0 1
La operacion de poner en la segunda fila R2 corresponde a
1
0 0
0 1 0
0
0 1
La operacion de poner en la tercera fila 2R2 + R3 corresponde a
1 0 0
0 1 0
0 2 1
La operacion de poner en la primera fila
1 1
0 1
0 0
R1 + R2 corresponde a
0
0
1
LU
199
La operacion de poner en la primera fila 2R1 R3 corresponde a
2 0 1
0 1
0
0 0
1
La operacion de poner en la segunda fila 3R2 R3 corresponde a
1 0
0
0 3 1
0 0
1
La operacion de multiplicar la primera fila por 1/2, la segunda por 1/3, la tercera
por 1/6 corresponde a
1/2
0
0
0 1/3 1
0
0 1/4
Ahora multiplicamos todas las matrices en el orden correcto:
200
... ... ...
1
0
0
0
0 1
0
0
1
... ... ...
1
0
0
0
1
0
0
2
1
... ... ...
1
1
0
0
1
0
0
1
0
... ... ...
2
0 1
0
1
0
0
0
1
... ... ...
1
0
0
0
3 1
0
0
1
... ... ...
0
0
1/2
0 1/3
0
0
0 1/6
..
.
..
.
..
.
..
..
.
..
.
..
.
..
..
.
..
.
..
.
..
..
.
..
.
..
.
..
..
.
..
.
..
.
..
..
.
..
.
..
.
1
..
0
..
1
..
1
..
0
..
1
..
1
..
2
..
1
..
1
..
2
..
1
..
1
..
2
..
1
..
1
..
2
..
1
..
..
..
.
1/2
0
1/2
..
. 1/3 1/3
1/3
..
.
1/6 1/3 1/6
Como de costumbre, la matriz inversa la leemos abajo a la derecha. Debido a que

hay muchos calculos, verificamos la respuesta, la matriz por su inversa debe dar la
identidad:
LU
... ... ...
1 1
1
0 1 2
1
1 1
201
..
.
1/2
0
1/2
..
. 1/3 1/3
1/3
..
.
1/6 1/3 1/6
..
..
..
..
..
.
1
0
0
..
.
0
1
0
..
.
0
0
1
Ahora notemos que algunas matrices de Gauss que hemos encontrado son del tipo
U , i.e., (upper triangular) triangular superior: todas sus entradas que no son cero estan
por encima de la diagonal o en ella. Y hay otras que son L (lower triangular) triangular
inferior, cuyas entradas no nulas estan por debajo de la diagonal o en ella. As podemos
formular el siguiente Teorema.
420. Propuesta. Cuando una matriz M es invertible, puede descomponerse como
un producto de una matriz triangular inferior por una triangular superior.
Demostraci
on. Nuestro teorema se basa en una interpretacion del ejemplo anterior en
el cual demostramos que toda inversa puede escribire como un producto de matrices
de Gauss. Ahora bien, nosotros elaboramos los calculos de tal forma que primero trabajamos la parte abajo de la diagonal, asegurandonos que estuviese rellena de ceros.
Eso se logro con matrices L. Y despues, elaboramos la parte de arriba de la diagonal
con matrices U . Cabe aclarar que tambien tocamos la diagonal, lo cual se hace con
matrices que clasifican tanto de L como de U .
Por lo tanto, nuestro ordenado trabajo puede escribirse simbolicamente como
M 1 = Un ...U2 U1 Lm ...L2 L1
donde las Li son matrices tipo L y las Uj son de tipo U .
Puede probarse que el producto de matrices tipo U es U y que el producto de
matrices tipo L es L. Por tanto, todo puede comprimirse en
M 1 = U L
Ahora tomemos la inversa a cada lado. Tengamos presente que la inversa de un
producto de matrices cambia el orden del producto, pues una matriz corresponde a
una T L y cuando se componen las T L el camino inverso reversa el orden de aparicion.
Si tomamos la inversa a ambos lados obtenemos
M = (U L)1 = L1 U 1
pero como la inversa de una matriz tipo U existe y es U y la inversa de un matriz
tipo L existe y es L, podemos escribir
M = LU
lo cual dice que la matriz se pudo descomponer como un producto de una matriz
L por una U .
421. Ejercicio Ilustre con ejemplos apropiados las aseveraciones gratuitas formuladas en la demostraci
on de la propuesta anterior, como que una matriz triangular tiene
inversa (Alerta: para ello se requiere que todo elemento de la diagonal sea diferente de
cero, lo cual lo cumplen todas nuestras matrices. Por que?).
202
422. Objeci
on a la propuesta de descomposici
on LU. En el proceso de
reduccion de un sistema de ecuaciones pueden aparecer filas de ceros que habra que
poner en u
timo lugar o soluciones desordenadas que habra que ordenar. Eso se hace
intercambiando filas. Esta operaci
on es generada por una matriz que no es triangular.
Para verlo, consideremos el siguiente ejemplo:
Sea el sistema que indica una solucion desordenada:

3y = 4
5x = 6
que se escribe en forma matricial

!
.
0 3 .. 4
.
5 0 .. 6
El sistema se ordena intercambiando el lugar de las filas. Esto se puede hacer por
medio de la matriz

0 1
1 0
la cual no es una matriz triangular.
423. Ejercicio Demuestre que la inversa de una matriz que intercambia renglones
es su propia inversa.
Aunque una matriz que intercambia renglones no es triangular, dicha matriz puede
descomponerse como producto de matrices triangulares

0 1
1 0
1 1
0 1

1 0
1 1

1 1
0 1
El problema es que esta descomposicion intercala matrices tipo U con matrices tipo
L y por eso crea problemas en nuestra descomposicion LU . Se ha optado por dejar
estos casos de lado y lo ponemos como advertencia.
424. Teorema. Cuando una matriz M es invertible y el proceso de inversi
on no
involucra intercambio de filas, M puede descomponerse como un producto M = LU
donde L es una una matriz triangular inferior, U es una triangular superior y tanto L
como U est
an libres de ceros en la diagonal.
LU
203
425. Intriga El procedimiento de Gauss-Jordan de reduccion de matrices puede ser

aplicado a sistemas con matriz asociada que no es invertible. Eso parece implicar que
el teorema de descomposicion LU podra extenderse a matrices muy arbitrarias, pero
que tanto?
426. Teorema. Para una matriz A invertible se tiene que

Det(A1 ) = (Det(A))1
lo cual dice que si A estira entonces A1 encoge por el mismo factor y al reves.
Demostraci
on. Por definicion de inversa tenemos:
1
A A=I
Tomamos determinantes a ambos lados:
Det(A1 A) = Det(I) = 1
Como sabemos que el determinante de un producto de matrices es el producto de
matrices (cuando se pueden multiplicar), entonces
Det(A1 )Det(A) = 1
es decir, Det(A1 ) = (Det(A))1 .
Sellemos este captulo con una demostracion formal del hecho de que el algoritmo
de Gauss-Jordan es conservativo.
427. Teorema. El algoritmo de Gauss-Jordan que lleva un sistema arbitrario de
ecuaciones lineales a forma reducida escalonada es conservativo, es decir, no crea ni
destruye soluciones, transformando sistemas en sistemas equivalentes que tienen las
mismas soluciones.
Demostraci
on. Nosotros hemos utilizado el algoritmo de Gauss-Jordan para encontrar
una u
nica solucion cuando existe o, en su defecto, para llevar al sistema hasta un lugar
donde sea comodo leer la solucion. Dicha forma la hemos llamado escalonada reducida.
Toda operacion de Gauss Jordan puede ser codificada como una matriz bien sea
triangular superior o triangular inferior, ambas libres de ceros en la diagonal, o como
una matriz de intercambio de renglones. Cualquiera de estas matrices tiene inversa.
Eso significa que no combinamos renglones a ojo cerrado sino que lo hacemos con la
firme intencion de no perder informacion.
Con toda esta maquinaria tan poderosa, demostrar que nuestro algoritmo conser~ es solucion
vativo es inmediato. Formalmente, lo que tenemos que demostrar es que S
~ =B
~ ssi S
~ es solucion del sistema GAX
~ = GB
~ donde G es una matriz
del sistema AX
usada en el algoritmo.
~ es solucion del sistema AX
~ = B.
~ Eso implica que AS
~ = B.
~
Supongamos que S
~ = GB,
~ lo cual dice que S
~ es
Podemos mutiplicar a ambos lados por G y obtener GAS
solucion del sistema transformado. Nuestro algoritmo no destruye soluciones.
Supongamos ahora que tenemos una solucion al sistema transformado, es decir,
~ tal que GAS
~ = GB.
~ Como cada G de las que nosotros usamos en nuestro
que existe S
algoritmo es invertible, podemos multiplicar por la inversa de G a ambos lados y
204
~ = G1 (GB).
~ Aplicamos la asociatividad del producto matricial
obtener G1 (GAS)
1
1
~
~ que es equivalente a IAS
~ = IS,
~ es decir AS
~ = S,
~
para obtener (G G)AS = (G G)B)
lo cual expresa que si tenemos una solucion al sistema transformado, dicha solucion es
tambien solucion del sistema original. As hemos demostrado que nuestro algoritmo no
crea soluciones nuevas.
Puesto que nuestro algoritmo no crea ni destruye soluciones, es conservativo y sirve
para hallar la soluciones de un sistema lineal de ecuaciones.
7.3.
1.
a) Mostrar que la matriz
2 3
5 7
b) Escriba la solucion al sistema

2x1 3x2 = 4
5x1 7x2 = 3
es invertible y encuentre su inversa.
2. Sea A una matriz invertible y c un escalar, es cierto que cA
1
= 1c A1 ?
3. Si AB = 0 y B es una matriz invertible, donde la matriz 0 denota la matriz que

tiene cero en toda entrada, es cierto que A = 0?
4. Si A y B son matrices cuadradas invertibles, es cierto que A + B es invertible y
(A + B)1 = A1 + B 1 ?
2
5.
Que figura en
el plano R forman los puntos (x, y) para los cuales la matriz
x
y 1
1
2 1 no es invertible?
3 3 1
6. Sea A una matriz invertible. Demuestre que si A = adj(A), entonces Det(A) = 1.
1
2 3
7. Hallar A1 si A = 0 1 5 . Expresar A1 como un producto de matrices
0
0 4
de Gauss y A como un producto LU .
8. Suponga que A es una matriz 33 cuyo espacio nulo es una recta que pasa por
el origen en R3 . Es posible que Im(A) sea tambien una recta que pasa por el
origen? Explique claramente.
9. Existen
valores de r y s para los cuales el rango de A sea uno o dos, siendo
1
0
0
0 r2
2
A=
0 s 1 r + 2 ?
0
0
3
10. Demuestre que si A es una matriz 34 entonces los vectores columna son linealmente dependientes. Extienda el enunciado anterior y su justificacion a una
matriz real de tama
no m n con n > m.
7.4. RESUMEN
205
11. Una matriz A cuadrada se dice idempotente si A2 = A.

a) Dar un ejemplo de una matriz idempotente no nula y distinta de la identidad.
b) Mostrar que si A es a la vez idempotente e invertible, entonces A es la matriz
identidad.
7.4.
Resumen
Cuando una T L es invertible, su inversa es una T L y tiene una matriz, la matriz

inversa. Dicha matriz puede calcularse por un algoritmo de Gauss-Jordan o bien por
el metodo de los cofactores, que se basa en subdeterminantes.
206
CAPITULO
8
CAMBIO DE COORDENADAS
Una base permite la existencia de un sistema de coordenadas en un EV, cada vector

tiene su conjunto de coordenadas que lo identifica y distingue de todos los demas. Pero
un EV tiene un n
umero infinito de bases: Cual de ellas es la mejor? En principio, no
hay ninguna preferencial. Pero demostraremos que para problemas muy especficos hay
bases que permiten soluciones muy sencillas. De hecho, hasta ahora hemos usado la
base natural del espacio Rn :
N = {(1, 0, ..., 0), (0, 1, 0, ..., 0), (0, ..., 1)} = {~e1 , ~e2 , ..., ~ek , ..., ~en }, y con ella hemos
trabajado siempre. Ahora entramos a considerar bases cualesquiera.
8.1.
Bases arbitrarias
Una base B = {~ei }i=1,2,...,n es un conjunto de vectores LI que genera todo el espacio,
~ V , existen escalares 1 , 2 , n tal que
es decir, si X
~
X = 1~e1 + ... + n~en
~ en la base dada.
A los coeficientes i les llamamos las coordenadas del vector X
~ B . Al notar las coordenadas de
Notamos al vector de coordenadas (1 , ..., n ) como X
esa manera, se esta asumiendo que uno ha fijado un orden sobre la base dada. A una
base con un orden prefijado la llamamos marco, marco de coordenadas o marco de
referencia. Pero usaremos marco y base como sinonimos cuyo significado sera claro del
contexto.
428. Ejemplo El conjunto B = {(2, 1), (2, 1)} es una base para R2 . Ese conjunto
genera todo el plano y no tiene informacion redundante. La combinacion lineal
1(2, 1) 2(2, 1) = (2, 1) + (4, 2) = (2 4, 1 + 2) = (2, 3)
nos dice que las coordenadas de (2, 3) en la base B son el par ordenado (1, 2).
Podemos escribir

1
2
=
2
3 B
207
CAPITULO 8. CAMBIO DE COORDENADAS
208
(2, 3)
(2)(2, 1)
(2, 1)
(2, 1)
Figura 8.0. En la base B = {(2, 1), (2, 1)}, (2, 3)B = (1, 2).
La nocion de coordenadas tiene sentido solamente si uno ha numerado los vectores
de la base en cuestion. Uno podra usar una notacion diferente para las coordenadas
de un vector y que no se confundan con un vector. De hecho, en algunos textos se usa
la siguiente convencion: los vectores se escriben entre parentesis redondos y las coordenadas entre parentesis cuadrados, como [1 , ..., n ]. Esta sabia medida sera ignorada,
la razon es que nos guiaremos por el contexto, sin el cual nada tiene sentido.
En general, las coordenadas de un vector y el vector seran diferentes. Pero en la
base natural son lo mismo. Por ejemplo, el vector (x, y) puede descomponerse como
(x, y) = x(1, 0) + y(0, 1)
lo cual dice que en la base natural de R2 las coordenadas de (x, y) son (x, y).
Con frecuencia usaremos las coordenadas de un vector en operaciones matriciales.
En tal caso, debemos asegurar que lo que se escriba tenga sentido: si las coordenadas de
un vector van delante de una matriz (a su derecha), las coordenadas deberan aparecer
en forma de columna. Pero si las coordenadas aparecen detras de la matriz (a su
izquierda) las coordenadas deben aparecer en forma de fila. De esa forma los productos
tendran sentido. Y todo eso sera hecho sin muchas ceremonias. Ademas, y como parte
del contexto, una base siempre esta numerada. Y hay formas de numerar mejores que
otras: que tal que numeraramos la base natural al reves!
Veamos ahora como se hace un cambio de coordenadas.
429. Ejemplo para memorizar el procedimiento Sea B = {(1, 1), (1, 1)}una
~ tenemos:
base del plano R2 . Para X
~ = 1~e1 + 2~e2
X
~ = (x1 , x2 ), las coordenadas de X
~ en la base natural son (x1 , x2 ). Esa ecuacion
Si X
puede escribirse en notacion vertical como sigue:

x1
x2
= 1
1
1
+ 2
1
1
11 12
11 + 12
1 1
1
1

1
2
Interpretemos dicha ecuacion: tenemos una matriz que es una maquina de procesamiento que acepta coordenadas (1 , 2 ) en la base B y produce como producto
8.1. BASES ARBITRARIAS
209
~ en la base natural. Por lo tanto, la matriz que

(x1 , x2 ) que son las coordenadas de X
hemos encontrado es la matriz de cambio de coordenadas de la base B a la base natural
N . Siguiendo la inteligente notacion de Fisher (1970), notamos a esa matriz como
INB = Matriz de cambio de coordenadas de la base B a la base N .
Tenemos

1 1
B
IN =
1
1
Esta notacion se justifica diciendo que un vector no cambia en absoluto por causa de
un cambio de coordenadas, y como conserva su identidad, usamos la I. Una justificacion
mas oficial sera ofrecida mas adelante comenzando con en el teorema 443.
430. Teorema y notaci
on. Para hallar las coordenadas XN = (X)N de un
~ B en una base B, se usa una
vector en la base natural sabiendo sus coordenadas X
matriz de paso o de cambio de base o de cambio de coordenadas INB que se
construye poniendo la base B en notacion vertical. Dicha matriz conserva la identidad
del vector (por eso usamos I), acepta coordenadas en la base B y produce coordenadas
en la base natural:
(X)N = B(X)B
Observamos y recalcamos: la matriz de cambio de base o de cambio de coordenadas
desde la base B a la base natural N es simplemente la base B en notacion vertical.
Es decir, se numera la base y por orden se pone cada vector de dicha base en posicion
vertical formando una matriz.
431. Ejercicio Demuestre el teorema en su forma general.
432. Teorema. Las coordenadas de cualquier vector en una base B dada son
u
nicas.
Demostraci
on. En la ecuacion (X)N = B(X)B podemos despejar (X)B . En efecto, B
es una base, y por lo tanto es un n-plp, cuyo volumen no es cero. Por tanto, B como
matriz tiene inversa, B 1 . Multiplicando la citada ecuacion por esta inversa, se tiene:
B 1 (X)N = B 1 B(X)B = I(x)B = (X)B .
Por tanto, sabiendo X = XN , nosotros podemos encontrar inmediatamente (X)B .
Podemos hacer eso de una forma u
nica porque la inversa de una matriz, si existe, es
u
nica.
433.
Ejemplo
Sea B = {(1, 1), (1, 1)}una base del plano R2 .
Si las coordenadas de un vector ~v en la base B son (3, 5) las coordenadas en la base

natural son:

8
13+15
3
1
1
.
=
=
~vN =
2
1315
5
1 1
210
Verifiquemos que las coordenadas de ~v en la base B son [3, 5], por lo tanto,
~ = 3~e1 + 5~e2
X
lo cual tambien lo podemos escribir verticalmente:

8
13+15
1
1
x1
.
=
=
+5
=3
2
1315
1
1
x2
434. Ejercicio Si las coordenadas de un vector ~v en una base (ordenada) B son

(2, 7), encuentre la matriz de cambio de base desde B a la base natural y las coordenadas
del vector dado en la base N , si B es
a) B = {(1, 1), (2, 1)}
b) B = {(1, 1), (3, 4)}
c) B = {(2, 2), (1, 5)}.
435. Ejemplo Dados B1 = {(5, 2), (1, 3)} y XB1 = (2, 3), encontremos XB2 si
B2 = {(1, 1), (2, 5)}.
Solucion: X = XN = 2(5, 2) + 3(1, 3) = (7, 13).
Necesitamos encontrar XB2 , es decir, expresar ese vector en la base B2 :
(7, 13) = (1, 1) + (2, 5)
Igualando coordenada por coordenada:
7 = + 2
13 = + 5
Restemos: 6 = 3, lo que implica que = 2 y = 3.
Respuesta: XB2 = (3, 2).
436. Ejercicio Dado B1 = {(1, 2), (1, 3)} y XB1 = (5, 7), encontrar XB2 si
a) B2 = {(1, 1), (2, 5)}
b) B2 = {(1, 1), (1, 4)}
c) B2 = {(1, 1), (2, 3)}.
437. Teorema. Si una matriz de cambio de coordenadas, INB , cambia de coordenadas desde la base B a coordenadas en la base N, la matriz inversa (INB )1 cambia las
coordenadas en la base N a coordenadas en la base B:
IBN = (INB )1
(X)B = IBN (X)N = (INB )1 (X)N .
438.
Ejercicio Pruebe el teorema.
8.1. BASES ARBITRARIAS
211
439. Ejercicio Si las coordenadas del vector ~v en la base natural son (2, 7), encuentre
la matriz de cambio de coordenadas de N a B y las coordenadas del vector dado en la
base B, si B es
a) B = {(1, 1), (2, 1)}
b) B = {(1, 1), (3, 4)}
c) B = {(2, 2), (1, 5)}.
440.
Ejemplo Si B1 = {(5, 2), (1, 3)} y B2 = {(1, 1), (2, 5)}, encontremos IBB21 .
Solucion: El trabajo de IBB21 es traducir las coordenadas en la base B1 a coordenadas

en la base B2 : XB2 = IBB21 XB1 . Sea

B1
IB 2 =

Sea X el primer vector de B1 , X = (5, 2), entonces las coordenadas de X en la base
B1 son XB1 = (1, 0), porque (5, 2) = 1(5, 2) + 0(1, 3).
Tenemos: XB2 = (5, 2)B2 y
XB2 = IBB21 XB1
o

1

=
XB2 = (5, 2)B2 =
0

de tal forma que (5, 2)B2 = (, ), y por tanto (5, 2) = (1, 1) + (2, 5). Por consiguiente
5 = + 2
2 = + 5.
Restando, 3 = 3,
= 1,
= 2 5 = 2 + 5 = 7.
Para encontrar y , analizamos el segundo vector de B1 , (1, 3), cuyas coordenadas (1, 3)B1 en B1 son (0, 1).
Sea X = (1, 3), entonces XB1 = (0, 1). Tenemos: XB2 = (1, 3)B2 y

0

B1
=
XB2 = (1, 3)B2 = IB2 XB1 =
1

as que (1, 3) = (1, 1) + (2, 5). Por consiguiente
1 = + 2
3 = + 5.
Restando, 4 = 3,
= 4/3,
= 3 5 = 3 5(4/3) = 3 20/3 = 11/3.
En conclusion:
212
IBB21
441.
7 11/3
1
4/3
Ejercicio Encontrar IBB21 si B1 = {(4, 2), (1, 2)} y
a) B2 = {(4, 2), (1, 5)}.

a) B2 = {(1, 2), (1, 2)}.
a) B2 = {(3, 2), (3, 5)}.
442. Ejercicio Si
IBB21
7 11/3
1
4/3
a) Encontrar B1 si B2 = {(1, 1), (2, 5)},

b) Encontrar B2 si B1 = {(5, 2), (1, 3)}.
Usamos la notacion IBB21 para denotar la matriz de cambio de coordenadas de la base
B1 a la base B2 . La I indica dos cosas. Primera, que una matriz de cambio de base
conserva la identidad del vector, es decir, que el vector no es transformado sino que lo
u
nico que cambia es su descomposicion debido a que se cambia de base. Y segunda,
porque IBB21 es la matriz de la T L, I: V V cuando en el dominio se usa la base B1
y en el codominio la base B2 . En la base natural N a ambos lados, la matriz de I es
la matriz identidad I = INN . Que pasa si cambiamos de base en el dominio o en el
codominio o en ambos lados? Veamos:
443. Teorema. Una matriz de cambio de coordenadas IBB21 de la base B1 a la base
B2 es la matriz de la T L identidad I tomando B1 como base en el dominio y a B2
como la base en el codominio.
Predemostraci
on. IBB21 no puede cambiar la identidad de ning
un vector. La matriz
simplemente toma las coordenadas de cualquier vector en la base del dominio y las
reescribe en la base del codominio, es una matriz de cambio de base. Muy pronto
veremos una maquinaria poderosa para probar rigurosamente este y otros teoremas.
444. Teorema. Para encontrar la matriz IBB21 de cambio de coordenadas de la
base B1 a la base B2 , es suficiente cambiar de coordenadas de la base B1 a la base
N y despues de la base N a la base B2 . Esto es, uno debe multiplicar ambas matrices,
IBN2 INB1 , en el orden correcto. La matriz INB1 es la base B1 en notacion vertical.
445.
Ejercicio Pruebe el teorema anterior.
446. Ejercicio Dise

ne un procedimiento de Gauss-Jordan para encontrar la matriz
B1
de cambio de base IB2 .
8.2. ROTACIONES EN R2
213
447. Ejercicio Si [1, 2], [3, 5] son las coordenadas de dos vectores en la base
B1 , encuentre la matriz de cambio de coordenadas de la base B1 a la base B2 y las
coordenadas en B2 de cada uno de los vectores, si las bases son:
a) B1 = {(1, 1), (2, 1)}, B2 = {(1, 1), (3, 4)}
b) B1 = {(1, 1), (3, 4)}, B2 = {(2, 2), (1, 5)}
c) B1 = {(2, 2), (1, 5)}, B2 = {(1, 1), (2, 1)}.
448. Ejercicio Si [1, 2, 3], [3, 5, 6], [4, 1, 1] son las coordenadas de tres vectores
en la base B1 , encuentre la matriz de cambio de base de B1 a B2 y las coordenadas en
B2 de cada uno de dichos vectores si las bases son:
B1 = {(2, 2, 1), (1, 5, 6)(2, 2, 3}
B2 = {(1, 1, 1), (2, 1, 1), (1, 1, 2)}.
449.
Ejemplo
Dado M = IBB21 y B1 , encontremos B2 .
Primera solucion: M = IBB21 = IBN2 INB1 = (B2 )1 B1 .

Por tanto, (B2 )1 B1 = M y multiplicando en ambos lados a la izquierda por B2
obtenemos
B2 (B2 )1 B1 = B2 M que es lo mismo que B1 = B2 M . Multiplicando por M 1 a la
derecha obtenemos B1 M 1 = B2 M M 1 = B2
Segunda solucion:
B2 = INB2 = INB1 IBB12 = B1 (IBB21 )1 = B1 M 1 .
450. Ejercicio Encontrar B1 si B2 = {(1, 1), (2, 5)} y

7 11/3
B1
.
IB 2 =
1
4/3
451. Ejercicio Encontrar B2 si B1 = {(5, 2), (1, 3)} y

7 11/3
B1
.
IB 2 =
1
4/3
452. Ejercicio a) Dado M = IBB21 y B2 , encontrar B1 ; b) Dado M = IBB12 y B1 ,
encontrar B2 .
8.2.
Rotaciones en R2
En esta seccion hallamos la matriz de una rotacion en R2 , lo cual sera muy importante en lo que sigue.
453. Definici
on. Una rotaci
on es una T L que conserva angulos y normas.
214
454. Ejemplo Encontremos la matriz que en R2 causa una rotaci

on contraria a
las manecillas del reloj por un
angulo .
~j
( sen , cos )
(cos , sen )
~i
Figura 8.1. La base natural ha sido rotada un angulo .
Para saber que hace una T L es suficiente saber que hace ella sobre una base
cualquiera. Tomemos la base natural. El vector ~i = (1, 0) es rotado pero no alargado, por lo tanto, se cambia en (cos , sen ), mientras que el vector ~j = (0, 1) se cambia
en ( sen , cos ). Por lo tanto, la matriz R de esa rotacion es:
R=
cos sen
sen
cos
En el caso particular en que = /2 o 90 , la matriz de rotacion es
R(/2) =
cos sen
sen
cos
cos(/2) sen(/2)
sen(/2)
cos(/2)
0 1
1
0
Verifiquemos que esta rotacion convierte ~i = (1, 0) en ~j = (0, 1):

0 1
1
0

1
0
0
1
on y explique el porque de la
455. Ejercicio Calcule el determinante de una rotaci
respuesta. Es toda T L con Det(T ) = 1 una rotaci
on? Ofrezca ejemplos y contraejemplos. Que mas se necesita para que una T L con determinante 1 sea una rotaci
on?
456. Ejercicio Halle la matriz inversa de una rotaci

on de
angulo y demuestre que
es igual a la matriz de rotaci
on de
angulo .

8.3. NUMEROS
QUE ROTAN
8.3.
215
N
umeros que rotan
Ofrecemos una construccion de los n

umeros complejos que nos ense
na que las
matematicas son una combinacion de arte y de ingeniera.
Los n
umeros reales pueden dibujarse sobre una recta. Dicho de otra forma, a una
recta puede darsele una estructura aritmetica, gracias a la cual los elementos de la lnea
se puedan sumar, restar, multiplicar, dividir, sacar raz cuarta, logaritmo y hallar el
seno y el coseno y todo lo demas. Pues bien, que tiene la lnea que el plano no tenga?
que nos impide darle una estructura aritmetica al plano?
Nada.
Veamos. Cada punto del plano se direcciona con dos coordenadas (x, y) donde x, y
son reales, tal como lo hemos hecho siempre. Podemos definir la suma coordenada por
coordenada, como de costumbre: (x1 , y2 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ).
457. Ejercicio Demuestre que el plano con la suma es un grupo conmutativo, es
decir, que podemos sumar sin problema y que en la suma el orden no importa.
Teniendo solucionado lo de la suma y la resta, nos queda la multiplicacion. Para
definirla, nos basamos en que los puntos del plano son vectores, de tal forma que la
multiplicacion de un vector (x, y) por un escalar real es (x, y). Dicho de otra forma,
ya sabemos como multiplicar un n
umero real por un punto del plano. Para definir la
multiplicacion de un punto del plano por otro punto del plano nos basamos en algo que
todos sabemos:
458. Ejercicio Demuestre que el plano con la suma y producto escalar son un espacio vectorial sobre los reales, lo cual quiere decir que los escalares son los n
umeros
reales.
Que significa que el plano tenga estructura de espacio vectorial? Significa que
existen T L del plano en el plano. Y en general, las T L se componen y al ser
representadas por matrices, la composicion es igual al producto de matrices. Entonces
lo que tenemos que hacer es definir una correspondencia entre cada punto del plano
y una T L o matriz de tal manera que la multiplicacion entre puntos del plano quede
definida por el producto de las matrices que lo representan.
La eleccion de representar un punto del plano por una matriz se ha resuelto por
medio de ligeras modificaciones de las rotaciones. Eso se hace gracias a las coordenadas polares. Dichas coordenadas definen un punto del plano por dos valores: la
longitud, modulo o norma del radio vector que va del origen, el complejo (0, 0), al punto dado, y el angulo polar que dicho radiovector forma con la parte positiva del eje X
en direccion contraria a las manecillas del reloj. Debemos advertir que el angulo polar
no se puede definir de manera u
nica: dado un angulo polar, si se le suma cualquier
n
umero de vueltas, o sea 2n, con n Z, tenemos el mismo punto del plano.
Enpuna palabra, podemos representar un punto del plano (x, y) como (r, )p donde
r = x2 + y 2 y es el angulo cuya tangente es y/x y el subndice p nos permite
reconocer que se trata de coordenadas polares.
459. Ejemplos El punto (1, 0) se representa como (1, 0)p , el punto (1, 0) como
(1, )p , el punto (0, 1) como (1, /2)p y el punto (0, 1) como (1, 3/2)p .
216
Ahora, a cada punto del plano (r, )p le hacemos corresponder la matriz dada por

r cos rsen
(r, )p
rsen r cos
460.
Ejemplos
El punto (1, 0) tiene modulo 1 y

angulo polar 0, por tanto

1 0
cos(0) sen(0)
=
(1, 0)
0 1
sen(0)
cos(0)
El n
umero complejo i tiene modulo 1 y
angulo polar /2, por lo tanto, es la matriz

0 1
cos(/2) sen(/2)
=
(0, 1)
1
0
sen(/2)
cos(/2)
Si se componen dos rotaciones, obtenemos una rotacion:
461. Ejercicio Demuestre que si se multiplican dos puntos del plano (r1 , 1 )p y
(r2 , 2 )p , usando la representaci
on matricial y multiplicando en cualquier orden las
matrices respectivas, se obtiene el punto del plano (r1 + r2 , 1 + 2 )p .
462. Ejercicio Demuestre que la multiplicaci
on es cerrada, conmutativa, asociativa,
distribuye la suma, que (1, 0) es el elemento neutro de la multiplicaci
on, es decir, que
(1, 0) multiplicado por (x, y) da (x, y).
Por todas las propiedades aritmeticas demostradas, de ahora en adelante llamaremos a los puntos del plano como complejos o n
umeros complejos y al plano mismo
como plano complejo y se nota C.
Ha resultado muy u
til la notacion polinomica en la cual (x, y) se representa por el
polinomio x + iy donde el n
umero complejo i es el indicador de la direccion vertical, es
decir (0, 1) o bien (1, /2)p . De igual forma, debido a que (1, 0) es el elemento neutro
de la multiplicacion, se le llama 1 y de esa manera los n
umeros reales se convierten en
un subconjunto de los complejos y por ello a los reales se les pinta sobre el horizontal,
cuyos puntos son de la forma (x, 0).
463. Ejercicio Verifique que con i = (0, 1) = (1, /2)p se tiene que i2 = ii = 1.
Ahora podemos multiplicar n
umeros complejos como si fuesen polinomios. Si un
n
umero complejo es w = (a, b) = a + bi y el otro es z = c + di entonces su producto es
wz = (a+bi)(c+di) = ac+adi+dci+bdi2 = ac+(ad+dc)ibd = acbd+i(ad+dc) =
= (ac bd, ad + dc).
Habamos dicho que el plano complejo con la multiplicacion escalar con n
umeros
reales es un EV , pero en vez de escalares reales se pueden tomar escalares complejos.
464. Ejercicio Demuestre que los complejos son un espacio vectorial sobre los complejos.
465. Ejercicio Demuestre que los complejos sobre los reales son un EV de dimensi
on dos, pero los complejos sobre los complejos tienen dimensi
on uno.

8.3. NUMEROS
QUE ROTAN
217
De la multiplicacion se deriva la division: dividir significa multiplicar por el inverso

multiplicativo.
466. Ejercicio Halle el inverso multiplicativo de (r, )p . Ayuda: el inverso de una
rotaci
on es la rotaci
on al reves. El inverso de multiplicar todo el mundo por un escalar
no nulo r es multiplicar todo el mundo por 1/r.
Existe una notacion de los n
umeros complejos que da inmediatamente su estructura
multiplicativa: si z C, es decir, si z es un punto del plano complejo, entonces z = rei
donde r es el modulo de z y es el angulo polar.
Si tenemos dos complejos
z = rei
w = sei
entonces la multiplicacion simplemente multiplica los modulos y suma los angulos:
zw = rei sei = rsei(+) .
Se dice que un n
umero es unitario si tiene modulo uno. En tal caso:
z = ei
Multipliquemos un n
umero cualquiera w = sei por uno unitario z = ei :
zw = ei sei = sei(+)
lo que pasa es que el n
umero w sufre una rotacion. Por supuesto que el radio no
vara.
467. Investigaci
on Hemos dicho que un complejo (r, )p puede notarse como rei .
En realidad, nuestra notacion se basa en que existe la forma de definir la funci
on
i
exponencial compleja, y al evaluar re da (r, )p o bien rcos + isen. Investigue, pues,
como se define la exponencial compleja y como se prueba que rei = rcos + isen. Se
puede encontrar una introduccion al tema en (Steward, 2003).
El modulo de un complejo se lee directamente en su expresion polar pero tambien
puede recuperarse mediante la siguiente estrategia:
Definimos el conjugado de z = rei como z = rei , es decir z tiene el mismo modulo
que z pero el angulo esta medido al reves, en direccion negativa, en la misma direccion
que las manecillas del reloj. A veces resulta mas comodo denotar el conjugado de z
por z , por ejemplo, cuando el complejo viene con coordenadas que vienen de calculos
complicados. Ahora bien:
z z = rei rei = r2 ei() = r2 ei(0) ,
el resultado que nos da es un n
umero complejo que tiene norma r2 y angulo polar
cero. Como tiene angulo polar cero esta sobre la parte positiva del eje X por lo que es
un n
umero real y como tiene modulo r2 , pues es en definitiva el n
umero real r2 . Por
consiguiente, el modulo cuadrado, largo cuadrado o norma cuadrado de un complejo
es z z.
Los n
umeros complejos tienen aplicaciones importantes. Por ejemplo, si uno tiene
un cuerpo que rota alrededor de otro, la proyeccion sobre el eje X da una onda. Por
esa razon, los complejos, las rotaciones y las ondas estan ntimamente relaciondas.
Eso se utiliza para facilitar calculos, digamos, del comportamiento de sistemas ondulatorios sometidos a fuerzas tambien ondulatorias usando la transformada de Laplace
(Zill, 2008). La relacion de los complejos con las ondas tambien ha servido de base en
218
mecanica cuantica para postular que la fsica fundamental tambien esta ligada a los
complejos. La razon es que tanto la radiacion como la materia tienen propiedades de
onda, lo cual se evidencia cuando se crea interferencia (Feynman, 1998).
8.4.
Bases ortonormales
Al rotar la base natural uno obtiene una nueva base que se parece muchsimo a la
natural: sus elementos son mutuamente perpendiculares y tienen norma uno. Este tipo
de bases es muy u
til y recibe un nombre:
468. Definici
on. Una base es ortogonal cuando sus elementos son mutuamente
perpendiculares. Ejemplo: la base natural es ortogonal. Toda rotaci
on de la base natural
es una base ortogonal. Si se toma la base natural y se rota y si cada vector es alargado
positivamente, se obtiene una base ortogonal.
469. Definici
on. Una base es ortonormal cuando es ortogonal y cuando cada
uno de sus vectores es unitario, es decir, tiene norma uno. Ejemplo: la rotaci
on de la
base natural produce una base ortonormal. Para convertir una base ortogonal en una
ortonormal hay que dividir cada vector por su norma. Aunque nadie lo diga, es mejor
numerar las bases ortonormales de tal forma que su Det sea mas uno. Si uno tiene
una base ortonormal con determinante menos uno, simplemente se intercambia un par
de vectores y la nueva numeraci
on da una base con Det = +1. O uno puede reversar
un elemento de la base.
470. Ejemplo La base B1 = {(1, 1), (1, 1)}es ortogonal porque el producto punto
(1, 1) (1, 1)= 0, pero no es una base ortonormal pues la norma de cada uno de sus
elementos
si
dividimos
es 2. Pero obtenemos una base
ortonormal
cada vector por su

norma 2. La base resultante es B2 = {( 2/2, 2/2), ( 2/2, 2/2)}.
471. Ejemplo Consideremos el plano en el espacio 3D tal que sus puntos (x, y, z)
satisfagan x 2y + 3z = 0. Este conjunto es un EV pues es un plano que pasa por el
origen. Este plano tiene dimensi
on dos, pues es generado por un conjunto LI con dos
elementos:
x 2y + 3z = 0 implica que x = 2y + 3z y por tanto un punto (x, y, z) si y
solo si

2y + 3z
x
y =
y
z
z
2
3z
3
2y
y + 0 = y 1 +z 0
=
z
0
0
1 .
Es decir, el conjunto B1 = {~v1 = (2, 1, 0), ~v2 = (3, 0, 1)} es una base del plano,
pero no es una base ortonormal porque (2, 1, 0) (3, 0, 1) no es cero.
Encontremos
que la norma del vector
una base ortonormal para . Observemos
(2, 1, 0) es 5. Por tanto, podemos tomar ~u1 = (2 5/5, 5/5, 0) como un primer
8.4. BASES ORTONORMALES
219
vector de nuestra base ortonormal. El segundo vector ~u2 puede ser construido de varias
maneras. La primera es proyectar el segundo vector de la base original, ~v2 sobre ~u1 .
Esa proyeccion se sustrae de ~v2 y luego se normaliza para obtener ~u2 .
O tambien, podemos notar que (1, 2, 3) es normal al plano y que tiene norma
14 y que por tanto, la normal unitaria ~n es
~n = ( 14/14, 2 14/14, 3 14/14)

El segundo vector ~u
ser tomado como:
2 de la
base ortonormal
del plano
puede
~u2 = ~u1 ~n = (2 5/5, 5/5, 0) ( 14/14, 2 14/14, 3 14/14)
= 70/70(3, 6, 5).
Vale la pena verificar que este vector en verdad tiene norma uno y que satisface la
ecuacion del plano.
Para terminar,
del plano es
una
base ortonormal
B2 = {(2 5/5, 5/5, 0), 70/70(3, 6, 5)}.

Adema
s, podemos construir
una base ortonormal
B3 para el espacio R3 :
B3 = { 70/70(3, 6, 5), 5/5(2, 1, 0), 14/14(1, 2, 3)}.

Nuestra forma de listar los elementos de la base define una numeracion con la cual
la base tiene determinante +1, de tal manera que podemos pensar como sigue: el primer
vector de la base juega el papel del eje X, el vector normal juega el papel del eje Y y
el tercero el papel del eje Z. Y ademas, el piso XY coincide con el plano.
472. Ejercicio Construya una base ortonormal con determinante +1 para R3 tal
que dos de sus vectores sean una base del plano siguiente:
a) z = 4x + 3xy
b) x 7y + 2z = 0
c) 2x 3y 9z = 0.
473. Ejemplo Sea B una base ortogonal de V. Si separamos a B en dos subconjuntos disjuntos, los subespacios generados por cada uno de ellos forman subespacios
tales que cada uno es el complemento ortogonal del otro.
474. Procedimiento para hallar las coordenadas de un vector en una

base ortonormal.
Supongamos que tenemos una base ortonormal B = {~e1 , ..., ~en } y un vector ~v . Para
hallar las coordenadas de ~v en B se procede como sigue. En primer termino escribimos
la ecuacion que nos dice que ~v esta en gen(B):
~v = a1~e1 + a2~e2 + ... + aj ~ej + ... + an~vn
Para hallar aj multiplicamos la anterior ecuacion en producto punto por ~ej :
~ej ~v = ~ej (a1~e1 + a2~e2 + ... + aj ~ej + ... + an~vn )
= a1 (~ej ~e1 ) + a2 (~ej ~e2 ) + ... + aj (~ej ~ej ) + ... + an (~ej ~vn )
Como se trata de una base ortonormal, todos los productos punto dan cero excepto
aquel en aj (~ej ~ej ) lo cual da aj pues el producto punto de ~ej por el mismo da la norma
cuadrado que es uno, pues la base esta normalizada. Nos quedamos con
220
~ej ~v = aj
o bien
aj = ~ej ~v
Este resultado tambien puede escribirse como sigue:
475. Teorema. Para una base ortonormal B = {~e1 , ..., ~en } y un vector ~v se tiene:
~v = (~e1 ~v )~e1 + (~e2 ~v )~e2 + ... + (~ej ~v )~ej + ... + (~en ~v )~vn
Ya tenemos alguna practica sobre como construir bases ortonormales en dos y tres
dimensiones. Pero en muchas aplicaciones se requiere trabajar con espacios de polinomios o de otras funciones. Por ejemplo, para estudiar fenomenos periodicos se usa la
base formada por el conjunto de funciones
F = {1, cos x, cos 2x, ..., cos nx, ..., sen x, sen 2x, ..., sen nx, ...}
Como vemos, este conjunto es infinito, lo cual exige generalizar nuestra teora para
EV de dimension finita a dimension infinita. En particular, es necesario entender
que quiere decir una suma infinita, una suma que nunca termina de hacerse. Porque la
idea es expresar las funciones en la base F, lo cual es un problema mas sencillo una vez
que uno la ortonormaliza. La expresion de una funcion en tal base ortonormalizada se
llama la expansion en serie de Fourier de la funcion (Zill, 2007).
Es usual que uno tenga una base, pero que no sea ortonormal. Uno puede ortonormalizarla usando el siguiente
476. Procedimiento para construir una base ortonormal a partir de una
base cualquiera.
Sea una base cualquiera que bien puede ser infinita:
B = {~b1 , ..., ~bn , ...}
Para construir una base ortonormal
B = {~e1 , ..., ~en }
a partir de B se procede as:
1. El primer elemento de B es simplemente el primer elemento de B normalizado:
~e1 =
~b1
||~b1 ||
2. Para hallar ~e2 consideramos el subespacio generado por {~b1 , ~b2 } y decidimos que
~e2 debe ser elemento de dicho subespacio, como lo es ~e1 . Eso es equivalente a
decir que
~b2 = a1~e1 + a2~e2
8.4. BASES ORTONORMALES
221
Conocemos el valor de a1 . Por el teorema anterior a1 = ~e1 ~b2 , pero a2~e2 no se

conoce, lo reeplazamos por ~h2 :
~b2 = a1~e1 + ~h2
Despejemos ~h2 :
~h2 = ~b2 a1~e1 = ~b2 (~e1 ~b2 )~e1
El vector ~h2 es perpendicular a ~e1 , pues es un alargamiento de ~e2 , por tanto el
segundo elemento de B es ~h2 normalizado:
~e2 =
~h2
||~h2 ||
3. Supongamos que hemos construido los primeros j 1 elementos de B .

Para construir ~ej consideramos el subespacio generado por {~b1 , ~b2 , ..., ~bj1 , ~bj } y
queremos que coincida con el generado por {~e1 , ~e2 , ..., ~ej1 , ~ej }. Eso es equivalente
a decir que
~bj = a1~e1 + a2~e2 + ... + aj1~ej1 + aj ~ej
pero aj ~ej no se conoce, lo reeplazamos por ~hj :
~bj = a1~e1 + a2~e2 + ... + aj1~ej1 + ~hj
Despejemos ~hj :
~hj = ~bj a1~e1 a2~e2 ... aj1~ej1
que tambien se escribe como
~hj = ~bj (~e1 ~bj )~e1 (~e2 ~bj )~e2 ... (~ej1 ~bj )~ej1
El vector ~hj es perpendicular al subespacio generado por {~e1 , ~e2 , ..., ~ej1 }, pues
es un alargamiento de ~ej , por tanto el j-esimo elemento de B es ~hj normalizado:
~ej =
~hj
||~hj ||
4. Si se itera este procedimiento, se obtienen todos los elementos de la base ortonormalizada. El problema es que para una base infinita uno nunca termina. Por esto
que en aplicaciones uno fija la exactitud deseada y determina en consecuencia
que tantos elementos de la base debe considerar.
477. Ejemplo Construyamos una base ortonormal B = {~e1 , ~e2 } para el subespacio
generado por B = {(1, 1, 1), (2, 3, 5)}
222
El primer vector de B es el primer vector de B pero normalizado:
~e1 = (1/ 3)(1, 1, 1)

El segundo vector ~e2 debe ser tal que
(2, 3, 5) = a1~e1 + a2~e2
dando a a2~e2 el nombre de ~h2 obtenemos
(2, 3, 5) = a1~e1 + ~h2
y como a1 = ~e1 (2, 3, 5)
~h2 = (2, 3, 5) (~e1 (2, 3, 5))~e1
= (2, 3, 5) ((1/ 3)(1, 1, 1) (2, 3, 5))(1/ 3)(1, 1, 1)

= (2, 3, 5) ((1/3)(1, 1, 1) (2, 3, 5))(1, 1, 1)
= (2, 3, 5) (1/3)(2 + 3 + 5)(1, 1, 1)
= (2, 3, 5) (1/3)(6)(1, 1, 1)
= (2, 3, 5) 2(1, 1, 1)
= (4, 1, 3)
El segundo vector de la base buscada es entonces ~h2 normalizado:
~e2 = (1/ 26)(4, 1, 3).

Podemos ver que ~e2 esta en el generado por B pues h2 lo esta dado que
(4, 1, 3) = 2(1, 1, 1) + (2, 3, 5).
478. Ejercicio En R4 construya una base ortonormal para el subespacio generado
por {(1, 1, 1, 1), (2, 3, 5, 7), (1, 4, 2, 1)}.
479. El principio de inducci
on matem
atica. Nosotros utilizamos un esquema
nuevo para demostrar que toda base es ortonormalizable, as tenga un n
umero infinito de
elementos siempre y cuando dichos elementos se puedan listar. Si hubiesemos procedido
como antes, hubiesemos mostrado como se ortonormaliza una base con uno, dos y tres
elementos y hubiesemos dicho que para casos mas grandes, se sigue el mismo patron.
Pero aqu procedimos de otra forma, de la forma que se considera rigurosa y que se
llama demostraci
on por inducci
on. En efecto, lo que hicimos puede expresarse
como sigue:
para todo n N = {0, 1, 2, 3, ...} si Bn es una base, entonces puede ortonormalizarse
Este enunciado se generaliza en el siguiente:
para todo n N = {0, 1, 2, 3, ...} se tiene que la proposicion p(n) es cierta.
Para demostrar por induccion la validez de una proposicion de esta clase, demuestre
dos cosas. Primera, que p(1) es cierta y, segunda, que siempre que se asuma que p(j1)
es cierta entonces puede demostrarse que p(j) tambien lo es.
Porque si las dos cosas se cumplen, entonces como p(1) es cierta, entonces p(2)
tambien. Como p(2) es cierta, entonces p(3) tambien y as sucesivamente con la certeza
de poder llegar hasta cualquier n no importa cuan grande sea.
8.5. LA MATRIZ TRANSPUESTA
8.5.
223
La matriz transpuesta
En algunos casos, para encontrar la inversa de una matriz es suficiente transponerla,

es decir, convertir sus columnas en filas.
480. Definici
on. Al poner la columna i-esima de la matriz M como la fila
i-esima, se forma una nueva matriz, M T , llamada la matriz transpuesta de M . El
n
umero de filas de M es igual al n
umero de columnas de M T y el n
umero de columnas
T
de M es igual al n
umero de filas de M . Si las entradas de M se denotan como Mij ,
T
las entradas de M son Mji .
481.
Ejemplo

1 2
M=
5 6
2
MT =
3
4

3 4
.
7 8
5
6
.
7
8
482. Ejercicio Calcule M M T y M T M y encuentre la inversa de M si
M=
483.
Ejemplo

2/2
2/2
2/2
2/2
Sea
2 3 4
M = 5 6 7
8 9 0
entonces
2 5 8
MT = 3 6 9
4 7 0
484. Definiciones. Una matriz es sim
etrica si es igual a su transpuesta. Es
T
decir, M es simetrica si M = M . Una matriz es antisim
etrica si es igual a menos
su transpuesta. Es decir, M es antisimetrica si M = M T , o bien que M T = M .
Ambos tipos de matrices deben ser matrices cuadradas.
485.
Ejemplos
La matriz
224
2 5 8
M = 5 6 7 = MT
8 7 0
es simetrica. La matriz
0
5 8
0 7 = M T
M = 5
8 7 0
es antisimetrica. Toda matriz antisimetrica tiene ceros sobre la diagonal.

486. Teorema. Una matriz cuadrada y su transpuesta tienen igual determinante.
Demostraci
on. Consideremos solo matrices dos por dos:

a c
a b
= ad cb = Det
Det
b d
c d
487. Ejercicio Pruebe el teorema para el caso de una matriz 3 3.
El siguiente resultado permite pruebas elegantes de diversos teoremas.
488. Teorema. La matriz transpuesta cumple
M (~u) ~v = ~u M T (~v )
donde la T L asociada a M es M : Rm Rn , la T L asociada a M T va en sentido
contrario, ~u est
a en el dominio de M y ~v en su codominio.
Por tanto, toda matriz simetrica S cumple con la identidad
S(~u) ~v = ~u S(~v )
489.
Ejemplo
Si ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) y
2 5 8
MT = 3 6 9
4 7 0
entonces
v1
2u1 + 5u2 + 8u3
v1
u1
2 5 8
M (~u) ~v = 3 6 9 u2 v2 = 3u1 + 6u2 + 9u3 v2
v3
4u1 + 7u2 + 0u3
v3
u3
4 7 0
= (2u1 + 5u2 + 8u3 )v1 + (3u1 + 6u2 + 9u3 )v2 + (4u1 + 7u2 + 0u3 )v3
8.5. LA MATRIZ TRANSPUESTA
225
= u1 (2v1 + 3v2 + 4v3 ) + u2 (5v1 + 6v2 + 7v3 ) + u3 (8v1 + 9v2 + 0v3 )

v1
2 3 4
u1
2v1 + 3v2 + 4v3
u1
= u2 5v1 + 6v2 + 7v3 = u2 5 6 7 v2
v3
8 9 0
u3
8v1 + 9v2 + 0v3
u3
= ~u M T (~v ).
490. Ejercicio Pruebe el teorema en su forma general.

491. Teorema y ejercicios. (AB)T = B T AT . Es decir, la transpuesta de un
producto es el producto de las transpuestas, pero en orden inverso.
Demostraci
on. Las matrices dadas definen una composicion de T L como sigue:
r
B: R Rs , A: Rs Rt y como la T L asociada a una transpuesta va en sentido
contrario, igual que la inversa, entoces la transpuesta de un producto debe ir en sentido
contrario al del producto.
Ahora bien, sabemos que para una matriz M : M~x ~y = ~x M T ~y . Por tanto,
(AB)~x ~y = ~x (AB)T ~y .
Por otro lado, (AB)~x ~y = A(B(~x)) ~y = (B~x) (AT ~y ) = ~x B T (AT ~y ) = ~x (B T AT )~y .
Por consiguiente, para todo par de vectores ~x, ~y tenemos:
~x (AB)T ~y = ~x (B T AT )~y
De aqu podemos concluir que (AB)T = B T AT pero debemos hacerlo correctamente,
pues uno puede proceder erroneamente diciendo, por ejemplo, que todo lo que hay que
hacer es simplificar por ~x y por ~y . Eso no puede hacerse porque simplificar quiere
decir multiplicar por el inverso y resulta que un vector no tiene inverso en el producto
interior. Dicho de otra forma: de ~x ~y = ~x z no puede concluirse que ~y = ~z (ejercicio).
La forma correcta de proceder es la siguiente: como ~x (AB)T ~y = ~x (B T AT )~y es
cierto para todo par de vectores ~x en el dominio de la T L asociada a B y ~y en el
codomino de la T L asociada a A, entonces tomamos en el lugar de ~x a ~ei , el elemento
i de la base natural del dominio de la T L asociada a B, y en vez de ~y a j , el elemento
j de la base natural del codominio de la T L asociada a A. Obtenemos:
~ei (AB)T ~j = ~ei (B T AT )~j
Ahora bien, para cualquier matriz M , ~ei M~j es Mij , la entrada de la matriz M
en la fila i y columna j (ejercicio). Eso significa que
((AB)T )ij = (B T AT )ij
es decir, que las dos matrices (AB)T y B T AT son iguales entrada por entrada, lo
cual significa que ellas son iguales en todo sentido.
492. Teorema. Para una matriz simetrica M, Ker(M ) Im(M ).
226
Demostraci
on. Si M es simetrica, entonces es cuadrada y la T L asociada puede tomarse
con dominio igual al codominio. Si ~y Ker(M ), entonces M~y = ~0. Por tanto
M~x ~y = ~x M T ~y = ~x M~y = ~x ~0 = 0, y M~x pertenece a Im(M ) mientras que ~y
esta en el Kernel, su producto punto es cero, y por lo tanto, la imagen es perpendicular
al Kernel.
493. Aplicaci
on Este teorema nos ayuda a evitarnos trabajo. Si debemos calcular
la imagen y el Kernel de una matriz simetrica, calculamos uno de ellos y el otro lo
hallamos por ortogonalidad.
494. Ejercicio Resuelva la siguiente objecion: el teorema dice que el Kernel y la

Imagen de una matriz simetrica son mutuamente perpendiculares, pero no que entre
los dos generen a todo el espacio, es decir, que los dos se complementen ortogonalmente.
Por lo tanto, la aplicaci
on es abusiva y no sirve de nada.
495.
Ejemplo
Calculemos el Kernel y la imagen de la T L cuya matriz es

1 2
2 3
El Kernel es el subespacio vectorial que cae sobre cero. Puesto que el determinante
de la matriz no es cero, la transformacion lineal que esta representa es 1-1 y sobre,
y por tanto, el u
nico vector que cae sobre cero es cero que es el u
nico elemento del
Kernel. Como la Imagen y el Kernel son mutuamente perpendiculares, la Imagen es
todo R2 . Observemos que esto es cierto para cualquier matriz invertible.
496. Ejercicio Encuentre el Kernel y la imagen de la T L cuya matriz es

a)
1 2
2 4
b)
1
2
2 3
1 2 3
c) 2 3 4
3 4 5
1 2 3
d) 2 4 6
3 6 5
8.6. APLICACIONES
8.6.
227
Aplicaciones

on. En Rn , toda base ortonormal escrita en notacion vertical forma una matriz Q tal que Q1 = QT , donde QT representa la matriz transpuesta
de Q. Decimos que una matriz O es ortogonal cuando sus columnas representan una
base ortonormal. En ese caso: OOT = OT O = I puesto que OT = O1 .
Demostraci
on. Sea Q = {~b1 , ~b2 , ..., ~bn } una base ortonormal de Rn . Por lo tanto, cada
vector tiene norma uno, es decir ~bi ~bi = 1, mientras que vectores diferentes son perpendiculares: ~bi ~bj = 0, cuando i 6= j. Esto se acostumbra resumir diciendo: ~bi ~bj = ji ,
donde ji es uno si i = j y es cero si i 6= j. El smbolo ji se lee delta i j y se le conoce
como el Delta de Kronecker.
La i-esima columna de la matriz Q es el i-esimo vector de la base Q. La j-esima fila
de QT es la j-esima columna de Q. Por tanto QT Q tiene en su entrada (i, j) el valor
~bi ~bj que es uno sobre la diagonal y cero en cualquier otro lado. Por tanto, QT Q = I
y la inversa de Q es QT .
498. Ejemplo y ejercicio En R2 tomamos la base {(1, 2), (2, 1)}. Sus vectores
son perpendiculares, pero no son unitarios. Los normalizamos para obtener una base
ortonormal:
{(1/ 5, 2/ 5), (2/ 5, 1/ 5)}.

La base puede ser representada como una matriz:

1/5 2/5
Q=
2/ 5
1/ 5
cuya transpuesta es
Q =
1/5 2/5
2/ 5 1/ 5
El producto de esas dos matrices es, en cualquier orden, la identidad (ejercicio).

Por tanto, Q y QT son la inversa la una de la otra.
499. Teorema y ejercicio. En el plano tenemos:
a) La matriz R() de una rotaci
on es ortogonal. Es decir, la matriz de R1 ()es simplemente la transpuesta de R().
b) La inversa R1 () de una rotaci
on R() con
angulo es la rotaci
on al reves R()
con el mismo
angulo.
c) Sea B el resultado de rotar por R() a la base natural N . La matriz de R() tambien
representa la matriz de cambio de coordenadas del marco rotado, B, a la base natural
N : INB = R().
Demostraci
on: ejercicio.
228
500. Ejercicio Conserva una rotaci

on el producto punto? Si una T L conserva
el producto punto, es una rotaci
on? Es decir, si A es una matriz de una rotaci
on,
A~x A~y = ~x ~y ? Y si T (x) T (y) = ~x ~y , es T una rotaci
on?
501. M
as entendimiento. Hay una diferencia notable entre saber y entender. Como
es difcil captar que quiere decir, resolveremos el siguiente ejercicio de 4 maneras diferentes. Con eso queremos decir que entender implica manejar una perspectiva global que
le permita a uno resolver un problema de muy diversas maneras, unas buenas para un
prop
osito y otras para otro. Entender es necesario: los humanos no estamos dise
nados
para producir resultados sin equivocaciones. Pero hay que producirlos: c
omo? haciendo
el mismo problema por metodos muy diferentes y viendo que los resultados concuerdan.
502. Ejemplo Encontremos la ecuaci

on de una elipse rotada E. La elipse original
2
2
O obedece a la ecuaci
on x /9 + y /4 = 1 y es rotada /4 en sentido contrario a las
manecillas del reloj.
3
(w, z)
(x, y)
-1
-2
-3
-4
-3
-2
-1
Figura 8.2. La rotacion de una elipse.

Primer m
etodo. La matriz R de una rotacion al contrario de las manecillas del
reloj y con angulo /4 es

2/2 2/2
M=
2/2
2/2
Puesto que las columnas de M son vectores que forman una base ortonormal, su
inversa es la transpuesta:

2/2
2/2
1
M =
2/2
2/2
Por lo tanto, el punto (x, y) E ssi (w, z) = M 1 (x, y) O.

x
2/2
2/2
2x/2
+
2y/2
1
=
M (x, y) =
y
2/2
2/2
2x/2 + 2y/2
8.6. APLICACIONES
229
Eso
(x, y) E ssi la dupleta
quieredecir queel punto
( 2x/2 + 2y/2, 2x/2 + 2y/2)
satisface
laecuacion O:
( 2x/2 + 2y/2)2 /9 + ( 2x/2 + 2y/2)2 /4 = 1

Equivalentemente
13x2 + 13y 2 10xy = 72
Notemos: un termino de la forma xy es un distintivo de las rotaciones.
hacer un test: por inspeccion vemos que el punto con coordenadas
Es conveniente
E,por lo
que debe satisfacer su ecuacion. Veamos:
( 3/2, 3/2) esta en
la elipse
2
2
13( 3/2) + 13( 3/2) 10( 3/2)( 3/2) = (13)(9)/2 + (13)(9)/2 10(9/2)
= (13)(9) (5)(9)
72
Pasamos el test.
Segundo
m
etodo. La matriz M es tambien la notacion vertical de la base
B = ( 2/2){(1, 1), (1, 1)}. Sea PB = (w, z) las coordenadas del punto P en la base
B, mientras que PN = (x, y) representa las coordenadas del mismo punto P en la base
natural. Ese par de coordenadas esta relacionado por
(w, z) = PB = IBN PN = B 1 (x, y)

2x/2
+
2y/2
1
B (x, y) =
2x/2 + 2y/2
3
E
2
-1
-2
-3
-4
-3
-2
-1
Figura 8.3. Desde la base B = ( 2/2){(1, 1), (1, 1)}, la elipse E se ve derechita.
Por tanto
2x/2 +
2y/2
w=
z = 2x/2 + 2y/2
La ecuacion de E en la base B es simplemente w2 /9 + z 2 /4 = 1 porque en la base B
uno ve una elipse normal con eje mayor 3 y eje menor 2, por lo tanto, para encontrar
la ecuacion de E en la base natural, es suficiente sustituir w y z en esta ecuacion por
230
su equivalente en la base natural. La ecuacion resultante es exactamente la que ya

habamos
encontrado:
( 2x/2 + 2y/2)2 /9 + ( 2x/2 + 2y/2)2 /4 = 1

Tercer m
etodo. Comenzamos con una base un tanto diferente de la anterior:
nuestra nueva base W es

2/2 2/2
W =
2/2
2/2
3
E
2
-1
-2
-3
-4
-3
-2
-1
Figura 8.4. Desde la base W = ( 2/2){(1, 1), (1, 1)}, la elipse E se ve derechita.
Observemos que la base, al igual que la anterior, tambien tiene Det(W ) = 1 y
ademas es ortonormal.
Sea PW = (u, v) las coordenadas de un punto P en la base W , en tanto que
PN = (x, y) representa las coordenadas del mismo punto P en la base natural. Ese
par de coordenadas se relaciona por
N
(u, v) = PW = IW
PN = W 1 (x, y)
donde

2/2
2/2
1
W =
2/2
2/2
por lo que
W
Por tanto,
u = 2x/2 2y/2
v = 2x/2 + 2y/2

2x/2
2y/2
(x, y) =
2x/2 + 2y/2
La ecuacion de E en la base W es u2 /4 + v 2 /9 = 1. Por lo que la ecuacion de E en

la base
naturales: 2
( 2x/2 2y/2) /4 + ( 2x/2 + 2y/2)2 /9 = 1
8.6. APLICACIONES
231
locual coincide
con la ecuaci
on hallada
anteriormente:
2
( 2x/2 + 2y/2) /9 + ( 2x/2 + 2y/2)2 /4 = 1
503. El cuarto m
etodo. Puesto que hemos venido guiandonos por el contexto,
hemos sido muy perezosos con la notacion. Pero ahora veamos de que manera una
mejor notacion es necesaria. Enfaticemos que cuando ponemos una columna en frente
de una matriz, esa columna realmente representa las coordenadas de un vector en una
base dada, que por defecto es la natural. Y si escribimos una fila al lado izquierdo de
la matriz, podemos decir que pusimos las coordenadas de un vector, pero en posicion
horizontal y debemos referirlo como transpuesto (~x)T . Ejemplo:
1
~x = (~x)N = 2
3

(~x)T = 1 2 3
Notemos ahora que si
M=
entonces
x y
x y
ax + by
cx + dy
a b
c d
a b
c d

x
y
= x(ax + by) + y(cx + dy) = ax2 + (b + c)xy + dy 2
En una ecuacion: (~x)T M~x = ax2 + (b + c)xy + dy 2

Podemos concluir que la informacion contenida en la ecuacion de una elipse pudo
codificarse en la matriz M . Hemos convertido la geometra en algebra.
Ahora, recordemos que, como se vio en el segundo metodo, la matriz

2/2 2/2
B=
2/2
2/2
codifica la informacion para una base ortonormal B, y por tanto su inversa es igual
a su transpuesta. Las coordenadas en la base B se denotan como (P )B = (w, z) y la
elipse luce como w2 /9 + z 2 /4 = 1. En forma matricial, eso es equivalente a

1/9
w
0
w z
=1
z
0 1/4
o
((~x)B )T M (~x)B = 1
232
donde
M=
1/9
0
0 1/4
Podemos asociar biunvocamente la elipse a la matriz M si hacemos la aclaracion

de que M se refiere a la base B. Por tanto, tenemos que la matriz asociada a la elipse
es

1/9
0
B
MB =
0 1/4
y por tanto
((~x)B )T MBB (~x)B = 1.
Para encontrar la ecuacion de la elipse en coordenadas cartesianas, necesitamos
solamente cambiar de coordenadas en la base B a la base natural, una tarea que
es resuelta por la identidad (~x)B = IBN (~x)N . Ademas, B es ortonormal y por tanto
(IBN )T = (IBN )1 = INB = B. Adicionalmente, recordemos que la transposicion invierte
el orden de un producto. Tenemos:
((~x)B )T MBB (~x)B = (IBN (~x)N )T MBB (IBN (~x)N )
= ((~x)N )T (IBN )T MBB (IBN (~x)N )
= ((~x)N )T (IBN )1 MBB (IBN (~x)N )
= ((~x)N )T (INB ) MBB (IBN (~x)N )
= ((~x)N )T (INB MBB IBN )(~x)N
= ((~x)N )T MNN (~x)N
en donde hemos aplicado que la transpuesta de un producto es el producto de las
transpuestas pero en orden inverso, que la transpuesta de una matriz ortogonal coincide
con su inversa, que la inversa de un cambio de base es el cambio de base al reves, que
el producto de matrices es asociativo y que MNN = INB MBB IBN = BM B T .
En conclusion, la elipse en la base B se lee ((~x)B )T MBB (~x)B = 1, o

1/9
w
0
w z
=1
z
0 1/4
Pero por otro lado, la elipse en la base natural se expresa como ((~x)N )T MNN (~x)N = 1
o equivalentemente
1=
x y

1/9
0
x
2/2
2/2
2/2
2/2
0 1/4
y
2/2
2/2
2/2
2/2
233
2
2
Test: todo eso debe ser
13y
+
igual a 13x
10xy
1

1 1
1
0
9
1 = ( 2/2)2 x y
1
1
1
0 41
1

1 1
0
x+y
9
= (1/2) x y
1
1
0 41
x + y

1 1
x/9 + y/9
= (1/2) x y
x/4 + y/4
1
1

x/9 + y/9 + x/4 y/4
= (1/2) x y
x/9 + y/9 x/4 + y/4

(4x + 4y + 9x 9y)/36
= (1/2) x y
(4x + 4y 9x + 9y)/36

4x + 4y + 9x 9y
= (1/72) x y
4x + 4y 9x + 9y

13x 5y
= (1/72) x y
5x + 13y
Por tanto:
1 = (1/72)(13x2 5xy 5xy + 13y 2 )
Y al final obtenemos: 72 = 13x2 10xy + 13y 2 .
=
72. Veamos:

x
1
y
1

504. Ejercicio Siempre hemos escuchado que y = 1/x representa una hiperbola.
Demuestrelo. Para ello, tome la hiperbola x2 y 2 = 1, rotela en sentido antihorario un
angulo /4 y encuentre la ecuaci
on de la figura rotada. Use cuatro metodos distintos

para resolver el problema.
8.7.
1. Sean B = {(2, 2), (4, 1)} y B = {(1, 3), (1, 1)} . Muestre que B y B son
bases de R2 y encuentre la matriz de transicion de B a B y la de B a B.
2. Sean B = {6 + 3x, 10 + 2x} y B = {2, 3 + 2x} bases de P2 .
a) Halle la matriz de transicion de B a B y la de B a B.
b) Encuentre [4 + x]B y use una matriz encontrada anteriormente para hallar
[4 + x]B .
3. Sea V =gen({sen(x), cos(x)}). Muestre que B = {2 sen(x) + cos(x), 3 cos(x)} es

base de V y encuentre la matriz de transicion de la base B = {sen(x), cos(x)} a
la base B .
4. Sea T una transformacion lineal de V en U , espacios vectoriales. Demuestre que
si {v1 , v2 , ..., vm } es una base de V y T (v1 ) = T (v2 ) = ... = T (vn ) = ~0 entonces
T (w) = ~0 para todo w V . Encuentre la matriz de la transformacion.
234
5. Sea T una transformacion lineal de V en V, espacio vectorial. Demuestre que si

{v1 , v2 , ..., vm } es una base de V y T (v1 ) = v1 , T (v2 ) = v2 , ..., T (vn ) = vn entonces
T (w) = w, para todo w V . Encuentre la matriz de la transformacion.
6. Obtenga una base ortonormal de R4 que contenga los vectores
1

1
0, 2 , 0,
.
2
1
1 , 0,
,0
2
2
7. Sea A una matriz 2 2 tal que AT A = I, muestre que la transformacion lineal

asociada preserva producto punto, longitudes y angulos.
8. Sea H = {(x, y, z, w) R4 : x = z, y = w} un subespacio vectorial de R4 .
a) Halle una base ortonormal B1 para H.
b) Halle una base ortonormal B2 para H .
c) Exprese el vector ~v = (1, 0, 0, 1) como ~v = ~h + p~, donde ~h H y p~ H .
d ) Escriba las coordenadas del vector ~a = (3, 2, 3, 2) en la base B1 .
9. Sea H = {(x, y, z, w) : x = y, w = 3y} y sea ~v = (1, 2, 3, 1). Encuentre una base
ortonormal para H y para su complemento ortogonal H . Escriba ~v = ~h + p~, con
~h y p~ elementos de H y de H , respectivamente.
10. Sean A y B matrices de tama

no n n, con A 6= O y B 6= O, donde O es la matriz
de ceros. Mostrar que si A es simetrica y B antisimetrica, entonces el conjunto
{A, B}, es linealmente independiente.
11. Considere la matriz R =
cos sen
sen
cos
a) Calcule Rn , n un entero positivo.

b) Para que valores de la matriz R es invertible?
c) Halle R1 .
Rta. a)
cos(n) sen(n)
sen(n)
cos(n)
, b) para todo , c) R1 = RT .
12. Pruebe que si A es simetrica e invertible, A1 es simetrica.

Sugerencia: Haga ver que (A1 )T = A1 .
13. Sea Sn el espacio vectorial de matrices simetricas n n, halle la dimension de
este espacio.
8.8. RESUMEN
8.8.
235
Resumen
Hemos aprendido como cambiar de coordenadas de una base a otra con la ayuda
de matrices apropiadas. Para cambiar de coordenadas de una base B a la base natural,
usamos una matriz que es la misma base B escrita en forma vertical, un vector al lado
del otro. Para cambiar de la base natural a la base B, usamos como matriz la inversa
de B. Para cambiar de B1 a base B2 , usamos la matriz B21 B1 . Si B es ortonormal, con
elementos mutuamente perpendiculares y de norma uno, B 1 = B T . Similarmente, si
R es una rotacion, R1 = RT . Nuestras bases siempre se numeran de tal forma que las
matrices asociadas tengan determinante positivo.
236
CAPITULO
9
TL EN CUALQUIER PAR DE BASES
Hemos adquirido la libertad de cambiar de coordenadas de una base a otra base

cualquiera. Podemos usar esa libertad para expresar T L en forma matricial, pero con
respecto a un par de bases bien escogidas. De esa forma, la informacion que conlleva
la matriz puede ser mas transparente, mas u
til y mas facil de entender y manejar.
Comencemos con un ejemplo para mostrar el significado de la transparencia. La utilidad
sera demostrada ampliamente en todo lo que sigue, especialmente en diagonalizacion.
9.1.
Fundamento
Sabemos como asociar una matriz T a una transformacion lineal T . La asociacion es

tan clara y natural que nosotros usamos la misma letra tanto para la matriz como para
la T L. Eso ha sido posible porque hemos usado la base natural en todo lado. Ahora,
nos liberamos de esa restriccion y consideraremos el problema de asociar una matriz
con referencia a cualquier par de bases, una en el dominio y otra en el codominio.
Con el smbolo
TBB21
representaremos la matriz asociada a una T L, T : V W tal que tenemos en el
dominio V a la base B1 y en el codominio W a la base B2 . Observemos que las bases
se ponen indicando una direccion vertical. Cuando T : V W y B1 = B2 = B, TBB se
refiere a la matriz de T con respecto a B.
La matriz TBB21 se define para que llene el requisito siguiente:
(T (X))B2 = TBB21 (XB1 )
lo cual indica que el trabajo de TBB21 es transformar las coordenadas (X)B1 de
cualquier vector X en la base B1 en coordenadas (T (X))B2 de T (X) en la base B2 . Los
siguientes ejemplos muestran que conceptualmente no hay nada que agregar a lo que
ya hemos visto para poder obtener TBB21 . Sin embargo, elaboraremos algunos teoremas
que nos ayudaran a ganar comprension y poder mecanico.
237
CAPITULO 9. TL EN CUALQUIER PAR DE BASES
238
505. Ejemplo Calculemos TNN , donde N es la base natural o canonica de R2 , dado

que B1 = {(1, 1), (2, 2)}, B2 = {(1, 1), (2, 2)}, y que
TBB21
1 2
3 4
Solucion: Para encontrar TNN nosotros necesitamos encontrar T (~i) y T (~j) y poner
los vectores resultantes en notacion vertical en forma de matriz. Necesitamos ademas
expresar cada elemento de la base natural como una combinacion lineal de la base B1 .
Por eso que necesitamos calcular T de cada uno de los elementos de dicha base. Nuestro
punto de partida es:
(T (X))B2 = TBB21 (X)B1
Si tomamos X = (1, 1), entonces (X)B1 = (1, 0) porque (1, 1) = 1(1, 1) + 0(2, 2),
y
(T (X))B2 =
TBB21 (X)B1
1 2
3 4

1
0
1
3
Por lo que,
(T (X))B2 = (T (1, 1))B2 = 1(1, 1) + 3(2, 2) = (7, 5).
Similarmente,
(T (2, 2))B2 = 2(1, 1) + 4(2, 2) = (10, 6).
pero por otro lado, descompongamos los elementos de la base natural en la base B1
~i = (1, 0) = (1, 1) + (2, 2)
Encontramos, = 1/2 y = 1/4. Por tanto,
~i = (1, 0) = 1/2(1, 1) 1/4(2, 2)
y
T (~i) = T (1, 0) = 1/2T (1, 1) 1/4T (2, 2) = 1/2(7, 5) 1/4(10, 6)
= (7/2 + 5/2, 5/2 3/2) = (1, 1).
Ahora ~j:
~j = (0, 1) = (1, 1) + (2, 2)
Uno encuentra que, = 1/2 y = 1/4. Por tanto,
~j = (0, 1) = 1/2(1, 1) + 1/4(2, 2)
y
T (~j) = T (0, 1) = 1/2T (1, 1) + 1/4T (2, 2) = 1/2(7, 5) + 1/4(10, 6)
= (7/2 5/2, 5/2 + 3/2) = (6, 4).
Resumiendo: T (~i) = (1, 1) y T (~j) = (6, 4). Entonces:
T =
1 6
1
4
Es hora de hacer un test: hagamos el problema al reves.

506. Ejemplo Calculemos TBB21 dado que B1 = {(1, 1), (2, 2)}, B2 = {(1, 1), (2, 2)}
y que
9.1. FUNDAMENTO
239
T =
Solucion: debemos encontrar
TBB21
1 6
1
4
dado que
TBB21 XB1 = (T (X))B2 .
Si X = (1, 1), entonces XB1 = (1, 0)
Por tanto

1

B1
= (T (1, 1))B2
=
TB2 (1, 0) =
Encontremos (T (1, 1))B2 . Comencemos con T (1, 1):

1
1 6
=
T (1, 1) =
1
1
4
As, (T (1, 1))B2 = (, ) = (7, 5)B2 , esto es
7, 5
(7, 5) = (1, 1) + (2, 2)

7 = 2
5 = + 2
por tanto, = 1 y = 3.
Debemos tomar ahora el segundo vector de la base B1 : Si X = (2, 2), entonces
XB1 = (0, 1).
Por lo que

0

B1
= (T (2, 2))B2
=
TB2 (0, 1) =
1

Encontremos (T (2, 2))B2 :
T (2, 2) =
1 6
1
4

2
2
10, 6
De tal forma que, (T (2, 2))B2 = (, ) = (10, 6)B2 , lo cual quiere decir que
(10, 6) = (1, 1) + (2, 2)
o equivalentemente que
10 = 2
6 = + 2
240
Por tanto, = 2 y = 4.
En conclusion:
TBB21
1 2
3 4
Lo cual demuestra que hicimos bien las cosas y que hemos entendido.
507. Ejercicio Hacer al derecho y al reves, como en los dos pasados ejemplos, las
siguientes tareas:
a) Calcular TNN dado que B1 = {(1, 2), (2, 3)}, B2 = {(2, 1), (1, 2)}, y que
TBB21
1 1
2 1
b) Calcular TNN dado que B1 = {(2, 5), (2, 0)}, B2 = {(1, 1), (1, 1)}, y que TBB21
es la misma del inciso a).
c) Calcular TNN dado que B1 = {(5, 1), (3, 7)}, B2 = {(0, 1), (1, 1)}, y que
TBB21
9.2.
7 2
2
7
Reflexiones en el plano
La matriz

1 0
0 1
(x, y)
(x, y)
~j
~i
Figura 9.1. Una reflexion con respecto al eje Y.
9.3. EL PAPEL DE LAS BASES
241
transforma al vector (x, y) de R2 en (x, y), tambien de R2 . En palabras, esta

matriz es una T L que refleja cada vector de R2 con respecto al eje Y~ . Por ejemplo, la
imagen de ~i = (1, 0) es ~i = (1, 0), pero la imagen de ~j = (0, 1) es ~j, mientras que
la de (1,1) es (-1,1) y que la de (-2,3) es (2,3). Por lo que podemos mirar la matriz y
exclamar: es una reflexion! Lo mismo debemos poder decir de cualquier reflexion con
respecto a cualquier eje. Por ejemplo, probaremos eso para la matriz

4/5 3/5
3/5
4/5
la cual es una reflexion con respecto a la lnea y = 3x. Sin embargo, uno no ve
dicha informacion en esa matriz. Pero si escribimos la misma T L con respecto a una
base apropiada, B = {(1, 1/3), (1, 3)} la matriz correspondiente sera (ejercicio)

1 0
B
RB =
0 1
(1, 3)
(w, z)
(w, z)
(1, 1/3)
Figura 9.2. Una reflexion con respecto al eje y = 3x vista desde la base
B = {(1, 1/3), (1, 3)}.
Esta expresion dice que la matriz reescrita en la base B, tanto en el dominio como
en el codominio, es claramente una reflexion. La u
nica correccion pertinente es que la
reflexion es con respecto a la lnea, una informacion que esta contenida en la base B: el
segundo vector de la base B, (1, 3), genera el eje de reflexion, mientras que el primero,
(1, 1/3), genera la lnea perpendicular. El orden que hemos dado a la numeracion de
los elementos de la base se ajusta a nuestro estilo de que las bases tengan determinante
positivo.
9.3.
El papel de las bases
Ya sabemos de sobra que una T L esta completamente determinada por su efecto

sobre los elementos de la base natural. Pero ya nos dimos cuenta de que la base natural
no solamente no tiene nada de especial sino que a veces no es la mejor para expresar
una informacion dada. Es por tanto la hora de resaltar el papel de las otras bases.
242
508. Teorema. Para determinar completamente una T L, T : V W es suficiente

saber que hace ella sobre una base cualquiera del dominio V .
T (~v )
~v
T
T (~u)
~u
Figura 9.3. Las T L se conocen por sus efectos sobre una base cualquiera.
Demostraci
on. Sea B = {~e1 , ..., ~en } una base del EV V . La base B expande todo el
~ V entonces X
~ = 1~e1 + ... + n~en y por tanto
espacio. Por tanto, si X
~ = T (1~e1 + ... + n~en ) pero como T es una T L, entonces:
T (X)
~
T (X) = 1 T (~e1 ) + ... + n T (~en )
Esto significa: si conocemos el efecto de una T L T sobre una base cualquiera B
del dominio, sabremos que hace T sobre cualquier elemento X del espacio V , para lo
cual es suficiente combinar las imagenes de los elementos de la base poniendo como
coeficientes las coordenadas de X en la misma base B.
En terminos geometricos, el u
ltimo teorema dice que para saber que hace una T L
es suficiente saber la imagen de un n-plp de volumen no nulo.
Ahora, aplicaremos este teorema para encontrar la matriz de una T L con respecto
a una base arbitraria. Denotamos cualquier matriz N como N = (nij ), lo cual significa
que la entrada de la matriz nij esta en la interseccion de la fila i con la columna j.
Nuestro trabajo es generalizar lo que hemos hecho para hallar la matriz de una
T L T con respecto a la base natural. Todo vector de la base natural del dominio debe
ser transformado por T y el resultado se escribe verticalmente. Todo fue muy facil
porque las coordenadas de un vector en la base natural eran a la larga el mismo vector.
Hagamos una peque
na generalizacion que podra ser entendida en el siguiente ejemplo.
509. Ejemplo Sea T (x, y) = (2x5y, 4x+3y) y sea B = {~b1 = (1, 1), ~b2 = (1, 1)}
una base del plano R2 . Por lo tanto, si ~x = (x1 , x2 ), tenemos
XN =
x1
x2
XB =
1
2
donde
~ = 1~b1 + 2~b2
X
por lo que
~ = T (1~b1 + 2~b2 ) = 1 T (~b1 ) + 2 T (~b2 )
T (X)
243
o, en notacion vertical

7
3
1
x1
1
+ 2
= 1
+ 2 T
T
= 1 T
1
7
1
1
x2

1
3 7
31 72
=
=
2
7 1
71 12
Vemos que :
T (XN ) = (T (X))N = M (XB )
donde la matriz M es simplemente la imagen de la base B escrita verticalmente:

3 7
M=
7 1
Notemos que M = TNB , porque de un lado T (XN ) = (T (X))N = M (XB ), y del otro
T (XN ) = (T (X))N = TNB (XB ). Por tanto, para encontrar la matriz de una LT T con
respecto a una base B del dominio y con respecto a la base natural N del codominio,
podemos usar la siguiente receta (que no vale la pena memorizar):
Para encontrar la matriz TNB de una LT T : V W con respecto a una base
numerada B del dominio V y a la base natural N del codominio W , aplicamos T sobre
cada elemento de la base B, y el resultado es reescrito en notacion vertical creando una
matriz que se denota TNB .
~ B del vector X
~ en la base
Cuando multiplicamos esa matriz por las coordenadas X
~
~
~ B . Por
B, obtenemos las coordenadas de T (X) en la base natural: (T (X))N = TNB X
esa razon, la matriz que representa a T debe denotarse de tal manera que quede claro
~ B , y produce las
de una sola mirada que ella recibe coordenadas en la base B, (X)
~
~
coordenadas de T (X) en la base N , (T (X))N .
Podemos automatizar la receta anterior si tan solo consideramos que TNB es la matriz
formada por T (B) que es tambien T B donde T es realmente [T ]N
N , la matriz de la LT
T con respecto a las bases naturales. Concretamente, la matriz T del ejemplo previo es

2 5
N
TN =
4
3
De otra parte, sea B la matriz que codifica en notacion vertical la base B:

1 1
B=
1
1
Si multiplicamos TNN B, obtenemos, como se espera, que resulte la matriz TNB :
..
.
1 1
..
.
1
1
... ...
..
..
[T ]N
N (B) = ...
2 5 ... 3 7
..
7 1
4
3 .
244
Hemos ilustrado el siguiente principio:

510. Teorema. Para encontrar la matriz TNB de T : V W con respecto a la base
B del dominio y a la base natural N en el codominio, multiplicamos la matriz ordinaria
de T (con respecto a la base natural) por la matriz formada por la base B en posicion
vertical.
Hay a
un otro comentario importante. La matriz B formada por los vectores de la
base B en posicion vertical es la matriz de cambio de coordenadas de la base B a la
base N . Por lo tanto, hemos demostrado que TNB = TNN INB , una expresion que dice
que para encontrar la matriz TNB , nosotros encontramos la matriz ordinaria de T (con
respecto a las bases naturales) y despues hacemos una interface con un traductor en el
dominio que hace un cambio de coordenadas de la base B a la base natural.
511. Ejercicio Especifique el teorema anterior para el caso en el cual B = N y
demuestre que se obtiene algo que ya conocamos.
512. Ejercicio Encuentre la matriz TNB donde:
a) T (x, y) = (2x 8y, 2x + 3y), y B = {(1, 1), (1, 1)}
b) T (x, y) = (x 7y, 4x 4y), y B = {(1, 1), (1, 2)}
c) T (x, y) = (5x 4y, 4x + 6y), y B = {(1, 1), (2, 1)}
d) T (x, y) = (2x 9y, 4x + 7y), y B = {(1, 1), (2, 4)}
e) T (x, y) = (x 8y, 4x + 2y), y B = {(1, 1), (1, 7)}
El proximo nivel de generalizacion es cuando trabajamos con bases arbitrarias en
cualquier lado de T . Ese nivel puede ser superado si procedemos con claridad.
513. Nuestra tarea. Sea T : V W una T L y B1 = {~ck } una base cualquiera de V
y B2 = {d~j } una base cualquiera de W . Nuestra tarea es entonces encontrar la matriz
de T pero con respecto a las bases dadas. Concretamente:
~ B1 de un vector X
~ en la base
Encontrar la matriz TBB21 que reciba las coordenadas X
~ B2 de T (X)
~ en la base del codominio,
del dominio y produzca las coordenadas (T (X))
lo cual lo notamos como
~ B2 = T B1 X
~ B1
(T (X))
B2
La solucion a este proyecto se da enseguida.
514. Notaci
on. Introducimos dos nuevas notaciones:
B1 = {~c1 , ~c2 , ..., ~cn } donde n es la dimension del espacio V podra ser notado como
B1 = {~ck }, y de modo similar para cualquier otra base.
245
Una combinacion lineal de la forma ~v = 1 d~1 + 2 d~2 + ... + n d~n podra ser notada
como
~v =
n
X
j d~j
j=1
o como ~v =
n
X
j=1
j d~j o como ~v =
X
j
P ~
j d~j o como ~v =
j dj . Las dos primeras
sumatorias se leen: sumatoria desde j = 1 hasta n. La tercera se lee: sumatoria

sobre las j, y la cuarta se dice simplemente sumatoria.
515. Ejemplos La nueva notacion permite acortar la escritura de las demostraciones, para lo cual se usan con frecuencia resultados del siguiente tipo:
P
P
ai = ai que dice que para aumentar el sueldo de un a
no hay que aumentar
el sueldo de cada mes.
P
P
P
ai + bi = (ai + bi ), lo cual dice que lo que gana un grupo de parejas es
igual a lo que ganan los maridos mas lo que ganan las esposas y tambien es igual
a la suma de lo que ganan todas las parejas.
P P
P P
i
j aij =
j
i aij que dice que si en el mes i, semana j, uno gana aij ,
entonces lo que gana en el a
no es igual a lo que gana en todos los meses, reuniendo
lo que se gana en las semanas del mes, y que tambien es igual a lo que se gana
durante la primera semana sumando durante todos los meses, mas lo que se gana
en la semana n
umero 2 durante todos los meses y as con la semana 3 y 4.
Si tenemos
del mismo espacio, descompuestos en la misma base B,
P ~ dos vectores
~
~v = i i bi y w
~ = i bi , podemos definir el producto punto con respecto a la base
P
dada B como i i i que consiste en multiplicar coordenada por coordenada y
despues sumar los resultados.
~ = 1 d~1 + 2 d~2 + ... + n d~n
Si tenemos la matriz M = (mij ) y un vector X
~
~
que
P representa la descomposicion de X en la base {dk }, entonces la expresion
mij j da la coordenada i P
del vector que resulta de multiplicar la matriz por
el vector. Mas exactamente,
mij j es el producto entre la fila i de la matriz
~ (para lo cual se exige que el n
por el vector de coordenadas del vector X
umero
~
de columnas de la matriz sea igual al n
umero de coordenadas de X).
Si uno tiene dos matrices
P(tij ) y (skl ) que se pueden multiplicar, la multiplicacion
se puede escribir como j tij sjl lo cual da la entrada il de la matriz producto y
que es igual al producto punto entre la fila i de (t) por la columna l de (s).
516. Teorema para entender y memorizar. Sea una T L T : V W y
dos bases cualesquiera B1 = {~ck } en el dominio y B2 = {d~j } en el codominio. Para
encontrar la matriz TBB21 de T con respecto a las bases dadas se hace lo siguiente: se
toma ~c1 , el primer vector de la base del dominio, se aplica T sobre ~c1 para obtener
246
T (~c1 ). Se descompone dicho vector en la base de llegada B2 para obtener (T (~c1 ))B2 que
son las coordenadas de T (~c1 )) en la base de llegada. Esas coordenadas se escriben como
la primera columna de la matriz buscada, TBB21 . Se itera lo mismo con el segundo vector
y con todos los dem
as hasta terminar.
Antes de ver la demostracion, veamos dos ejemplos.
517. Ejemplo B = {(1, 3), (2, 5)} es una base del plano. Supongamos que T es
tal que T (1, 3) = 5(1, 3) y que T (2, 5) = 7(2, 5). Encontremos la matriz de T con
respecto a B, es decir, TBB .
Encontramos la imagen por T de cada uno de los vectores de la base del dominio y
la descomponemos en la base del codominio y las coordenadas resultantes las ponemos
en notacion vertical formando una matriz.
Comencemos con (1, 3). Su imagen es 5(1, 3) que descompuesta en la base B produce
T (1, 3) = 5(1, 3) = 5(1, 3) + 0(2, 5). Por lo que las coordenadas correspondientes son
(5, 0), que forman la primera columna de la matriz buscada.
Similarmente, T (2, 5) = 7(2, 5) = 0(1, 3) + 7(2, 5). Las coordenadas correspondientes son (0, 7). Por tanto,

5 0
B
.
TB =
0 7
Sea T : R2 R2 tal que con respecto a cierta base B1 = {~c1 , ~c2 } en
el dominio y a la base B2 = {d~1 , d~2 } en el codominio, T (~c1 ) = 5d~2 + 7d~2 y
T (~c2 ) = 3d~2 + 4d~2 , entonces
518.
Ejemplo
(T (~c1 ))B2 = (5, 7)

(T (~c2 ))B2 = (3, 4)
y por tanto
TBB21
5 3
7
4
Ahora veamos la demostracion del teorema.

Demostraci
on. Tomemos ~c1 , el primer elemento de la base B1 en el dominio y pasemoslo
por T para obtener T (~c1 ) que debe ser descompuesto en la base B2 del codominio:
P
T (~c1 ) = j tj1 d~j . Las coordenadas de T (~c1 ) en la base B2 son (T (~c1 ))B2 = (tj1 ). El
subndice 1 es para denotar que hemos encontrado la primera columna de la matriz
buscada TBB21 .
Hacemos lo mismo con ~ck . Puesto que la imagen de ~ck es un vector en W, puede ser
descompuesto en la base {d~j }:
P
T (~ck ) = j tjk d~j .
247
Notemos que hemos puesto el subndice de ~ck en segundo lugar en tjk porque queremos que la imagen de un vector n
umero k de la base sea la columna n
umero k de la
matriz, y el n
umero de la columna se escribe en segundo lugar en los subndices de las
entradas de la matriz, puesto que el primer lugar es para la fila. En resumen:
TBB21 = (tjk )
~ en la abse B1 y
Demostremos ahora que esta matriz toma las coordenadas de X
~ en la abse B2 .
produce las coordenadas de T (X)
~ en el dominio que puede ser descompuesto en la base dada: X
~ = P k ck .
Sea X
k
~
~
Las coordenadas de X en B1 son los (k ). Pasemos X por T para obtener
~ = T (P k~ck ) = P k T (~ck )
T (X)
k
k
P
donde hemos aplicado la linealidad de T . Ahora recordamos que T (~ck ) = j tjk d~j :
~ = P k P tjk d~j = P P k tjk d~j = P (P k tjk )d~j = P (P tjk k )d~j .
T (X)
k
j
k
j
j
k
j
k
~ B2 es P tjk k que es el producto

Lo cual dice que la j-esima coordenada de (T (X))
k
~ en B1 .
punto de la fila j de (tjk ) con el vector formado por las coordenadas de X
~ B1 y produce T (X))
~ B2 , las
Eso demuestra que la matriz (tjk ) toma las coordenadas X
~ en la base B2 :
coordenadas de T (X)
~ B2 = T B1 X
~ B1 .
(T (X))
B2
519. Ejercicio Supongamos que T : R2 R2 y consideremos B1 = {(1, 3), (2, 5)}

como la base del dominio de T mientras que B2 = {(2, 6), (6, 15)} es la base en el
codominio. T es tal que T (1, 3) = 6(1, 3) y que T (2, 5) = 12(2, 5). Encuentre la
matriz de T con respecto a B1 y B2 , i.e., encuentre TBB21 .
Como hemos podido ver, este teorema permite la resolucion inmediata de un tipo
especial de problemas como los considerados en los ejemplos. Pero hay muchos mas
problemas para los cuales el teorema no da solucion simple. Para enfrentar problemas
mas difciles se requiere estar bien armados, tal como lo aprenderemos en el proximo
captulo.
9.4.
1. Sea V =gen({1, sen(x), cos(x)}) y sea T : V V definida por T (f (x)) = f (x)

donde f denota la derivada. Encuentre la matriz de la transformacion tomando
{1, sin(x), cos(x)} como base de V .
2. Si T es una transformacion lineal tal que
T (1, 0, 0) = (2, 3, 4, 5),
T (0, 1, 0) = (1, 2, 1, 0) y
T (0, 0, 1) = (0, 0, 0, 1), encuentre:
248
a) T (1, 2, 3).
b) Una expresion algebraica para T .

c) Espacio nulo, espacio imagen, rango y nulidad de T .
3. Determine si las siguientes afirmaciones son verdaderas o falsas y justifique clara
y adecuadamente su respuesta:
a) Si AT A = A entonces A es simetrica y A = A2 .
b) Si X1 es solucion de AX = b y X2 es solucion de AX = b entonces X1 + X2
es solucion de AX = 0.
c) Si A33 es una matriz cuyo espacio nulo es una recta que pasa por el origen
en R3 , entonces la imagen de A es una recta que pasa por el origen en R3 .
4. Encuentre una transformacion lineal T : R3 R3 , cuyo n
ucleo sea el plano
2x + 3y + z = 0.
5. Considere la transformacion T : P2 P2 definida por T (p(x)) = [xp(x)] . Sean
B = {1, 1 + x, 1 + x2 } y B = {1, 1 + 2x, x2 } bases del espacio de salida y del
espacio de llegada respectivamente.
a) Encuentre la matriz de representacion de T con respecto a las bases B, B .
b) Utilice la matriz anterior para encontrar la imagen de q(x) = x2 x.
6. Sea T : R2 R2 , la reflexion con respecto a la recta y = x de un vector ~u R2 .
a) Obtenga explcitamente el operador lineal (T L de un espacio en s mismo)
que la define.
b) Halle la matriz de representacion de esta transformacion en la base canonica.
c) Trace la imagen del triangulo con vertices en (1, 4), (3, 1) y (2,6).
d ) Es T una transformacion inyectiva? Es T una transformacion sobreyectiva? Es T un isomorfismo?
e) Sea T : P2 P2 la transformacion lineal definida por T (p(x)) = p(x 1).
Considerar las bases B = {x2 , x, 1}, B = {x, x + 1, x2 1}. Encontrar las
matrices de representacion RB , RB de T y una matriz C invertible tal que
RB = C 1 RB C.
7. Encuentre la representacion matricial de la transformacion lineal dada, halle el
n
ucleo, la imagen, el rango y la nulidad de la transformacion.
a) T : R P3 ;
b) T : P4 P4 ;
c) T : P3 R3 ;
T (a) = a + ax + ax3
T (p(x)) = xp (x)
T (ax3 + bx2 + cx + d) = [a b, a + c, b c]
d ) T : R2 R3 ;
T [x, y] = [x y, 2x + y, y]
con las bases B = {[2, 1], [1, 2]} B = {[1, 1, 0], [0, 2, 0], [0, 2, 5]}
9.5. RESUMEN
9.5.
249
Resumen
Lo que hemos llamado en captulos anteriores la matriz de una T L ha resultado

ser la matriz asociada a esa T L, pero con respecto a la base natural. En este captulo
hemos definido la matriz de una T L con referencia a un par cualquiera de bases. Para
ello, se encuentra la imagen por T de cada uno de los vectores de la base del dominio
y se descompone en la base del codominio y las coordenadas resultantes las ponemos
en notacion vertical formando una matriz. Eso permite expresar una T L de manera
transparente. Por ejemplo, una reflexion puede ser identificada inmediatamente, si se
encuentra la base apropiada para representarla.
250
CAPITULO
10
LA MATRIZ DE LA COMPUESTA
En el captulo 5 aprendimos a asociar la matriz de una compuesta con el producto

de matrices, pero con respecto a las bases naturales. En este captulo aprenderemos
la generalizacion de ese resultado a bases cualesquiera.
10.1.
Diagramas
520. Teorema. La matriz de la compuesta de dos T L es el producto de las matrices

de los componentes en el orden adecuado y teniendo en cuenta las bases en cada lado.
Mas formalmente:
Consideremos dos T L:
S: U V
T: V W
S
W
Figura 10.1. La composicion de dos T L.
y que B1 es base de U , B2 es de V y B3 es de W . Entonces
B1
B2
1
(T S)B
B3 = (T )B3 (S)B2 .
251
CAPITULO 10. LA MATRIZ DE LA COMPUESTA
252
Demostraci
on. Demosles nombres a los elementos de las bases:
la base de U es B1 = {~bk }, la de V es B2 = {~cj } y la de W es E3 = {d~i }.
Decir que la matriz de S, con respecto a las basesP
B1 en el dominio y B2 en el
codominio, es (sjk ), es lo mismo que decir que S(~bk ) = j sjk~cj .
De otra parte, si la matriz de T , con respecto
Pa las bases B2 en el dominio y B3 en
el codominio, es (tij ), eso significa que T (~cj ) = i tij d~i .
Encontremos ahora la matriz de la compuesta T S : U W . Lo que tenemos que

hacer es hallar las coordenadas en la base B3 de (T S)(~bk ).
La imagen por T S de cada elemento de la base de U , {~bk }, es:
P
P
P
P
(T S)(~bk ) = T (S(~bk )) = T ( j sjk~cj ) = j sjk T (~cj ) = j sjk i tij d~i
P P
= j i sjk tij d~i
P P
= i ( j tij sjk )d~i
lo cual significa que laPcolumna k de la matriz de la compuesta T S tiene en la
fila i un termino igual a j tij sjk que es igual al producto punto entre la fila i de la
matriz de T por la columna k de la matriz de S. Enfaticemos ese resultado:
(T S)ik = (fila i de T )(columna k de S).
Lo que esta ecuacion significa es que la matriz de la compuesta (T S) es precisamente la multiplicacion de la matriz de T por la matriz de S.
El siguiente diagrama resume todo:
U
SBB21
(T
TBB32
B1 3
B
S)
Figura 10.2. La matriz de la compuesta.
B2 B1
1
(T S)B
B3 = TB3 SB2 .
521.
Ejemplo
Leamos, interpretemos y probemos el siguiente resultado:

~ B1 )B3 = T B2 S B1 X
~
((T S)(X)
B3 B2 B1
Este teorema dice que la matriz de la compuesta hallada en el teorema anterior

~ y produce las coordenadas de
toma las coordenadas en la base B1 de un vector X
~ en la base B3 y da el procedimiento para hacerlo: se toman las coordenadas
T (S(X))
de entrada, se pasan por la matriz de S y el resultado se pasa por la matriz de T ,
tamando en cada paso las bases adecuadas.
10.2. CAMBIO DE COORDENADAS Y TL
253
~ = P k~bk
Demostraci
on. Usando la misma notacion del teorema anterior tenemos: si X
k
~ B1 , las coordenadas de X
~ en la base B1 , son los (k ).
entonces (X)
P
Teniendo en cuenta que S(~bk ) = j sjk~cj obtenemos:
~ = T (S(P k~bk )) = T (P k S(~bk )) = T (P k P sjk~cj )
T (S(X))
k
k
k
j
P
P
= k k j sjk T (~cj )
P
Reemplazando T (~cj ) por i tij d~i obtenemos
~ = P k P sjk P tij d~i = P P P k sjk tij d~i = P P P tij sjk k d~i
T (S(X))
k
j
i
k
j
i
k
j
i
Podemos organizar este resultado de dos maneras. La primera:
~ = P P (P tij sjk )k d~i
T (S(X))
i
k
j
que dice que la matriz de T S es el producto de T por S. Y la segunda manera es
~ = P P (tij (P (sjk k ))d~i
T (S(X))
i
j
k
~ en la base E3 se hallan alimentando S
que dice que las coordenadas de T (S(X))
~ en la base B1 , y procesando el resultado por T .
con las coordenadas de X
10.2.
Cambio de coordenadas y TL
Podemos utilizar el teorema anterior para obtener una solucion elegante al problema
de expresar una T L con respecto a bases arbitrarias. Procediendo por sentido com
un
tenemos:
Podemos imaginar que T es un mensaje que contiene la informacion para ejecutar cierta tarea (ejecutar cierta T L sobre cierto input). Esa informacion puede venir,
digamos, en griego. Como podremos utilizar dicha informacion para procesar un input que viene en latin y producir un output que debe ir in aleman? Pues muy facil:
tomamos el input en latn, lo traducimos al griego, lo procesamos en griego, obtenemos
un output en griego, lo traducimos al aleman y listo. Con formalidad, eso se expresa
en el teorema siguiente:
522. Teorema. Sea T : Rn Rm una LT . Sea B1 una base del dominio Rn , y
B2 una base del codominio Rm . Si la matriz de T con respecto a la base natural es TNN ,
entonces la matriz de T con respecto a la base B1 en el dominio y a B2 en el codominio
es
TBB21 = IBN2 TNN INB1
donde las matrices de traduccion o de cambio de base son INB1 que traduce de la base
B1 a N , y la matriz IBN2 que traduce de la base N a la base B2 , en tanto que TNN es la
matriz de T con respecto a la base natural del domino y a la base natural del codominio
(pueden ser diferentes).
254
Demostraci
on. Cada espacio tiene su base natural correspondiente, denotada N . Entonces, el diagrama siguiente es conmutativo, es decir, el diagrama presenta dos caminos
que producen los mismos resultados. Un camino representa el lado derecho de la
ecuacion a probar y el otro el lado izquierdo.
Rn
TNN
INB1
Rm
IBN2
TBB21
Rm
Figura 10.3. Diagrama conmutativo para TBB21 = IBN2 TNN INB1 .
523. Explicaci
on. Si sabemos como es la matriz de una T L T con respecto a
las bases naturales, tanto en el dominio como en el codominio, podemos encontrar la
matriz de T con respecto a la base arbitraria B1 en el dominio y a B2 en el codominio
adaptando traductores apropiados: debemos poner un traductor en el dominio que pase
de la base B1 a la base natural y otro traductor en el codominio que pase de la base
natural a la base B2 . Esos traductores son las matrices de cambio de base. INB1 es
simplemente la base B1 escrita como una matriz, mientras que el traductor IBN2 es la
matriz (B2 )1 .
524. Explicaci
on dual. La igualdad
TBB21 = IBN2 TNN INB1
puede ser leda en terminos puramente geometricos: la matriz de T : V W con
respecto a las bases B1 en el dominio y B2 en el codominio pueden encontrarse como
sigue: B1 representa un plp en el dominio. T transforma ese plp en otro en el codominio.
Ese nuevo plp se representa fielmente por TNN INB1 . Cada uno de los vectores de ese plp
puede ser descompuesto en la base B2 gracias a IBN2 , y las coordenadas correspondientes
se escriben verticalmente formando una matriz, la cual es TBB21 . El trabajo de dicha
~ B2 = T B1 X
~ B1 .
matriz se expresa por la igualdad (T (X))
B2
El diagrama conmutativo del teorema anterior se usa juntamente con los siguientes
resultados formando una maquinaria exquisitamente poderosa:
525. Teorema y ejercicio. Para calcular IBN2 TNN INB1 se tiene en cuenta que:
La matriz INB1 es simplemente la base B1 puesta como matriz, el primer vector es
la primera columna, el segundo vector es la segunda columna y as sucesivamente.
255
La matriz TNN tiene como columna k la imagen por T del vector ek de la base
natural.
La matriz IBN2 es la inversa de la matriz B2 , para lo cual hay un procedimiento
automatico de Guass-Jordan.
Demostraci
on. La primera asersion generaliza el ejemplo 429, pagina 208 hecho para
dos dimensiones y se prueba de manera general as:
~ en cualquier Rn y sea B = {~bi } una base. Descomponemos X
~ en la base:
Sea X
P
~
~ =
X
i bi . Tomamos la coordenada j-esima de dicha igualdad:
P
~
(X)j = i bji
donde bji es la coordenada j-esima del vector i-esimo de la base. Esta ecuacion
puede escribirse
P como
~
(X)j = bji i
lo cual se interpreta directamente como la multiplicacion de la base B escrita como
~ en
matriz, escribiendo en orden los vectores como columnas, por las coordenadas de X
la base B. Por lo tanto, la matriz B recibe las coordenadas de X en la base B, las , y
~ Hemos demostrado
produce las coordenadas de X en la base natural, o sea, el mismo X.
B
que la matriz IN es simplemente la base B puesta como matriz, el primer vector es la
primera columna, el segundo vector es la segunda columna y as sucesivamente.
Demostracion general de la segunda propiedad: Ejercicio.
Para demostrar la tercera asersion tenemos en cuenta que IBN2 es la inversa de INB2 ,
y como la matriz de INB2 es B2 puesta como matriz, entonces, la matriz de IBN2 es la
inversa de la matriz B2 .
526. Ejercicio Usando diagramas conmutativos apropiados, justifique las igualdades

siguientes, encuentre el trabajo de cada matriz y se
nale la forma expedita de calcular
cada termino:
N
B N
a) RN
= INB RB
IB
N
B N
b) RB
= RB
IB
N
N
c) RB
= IBN RN
B
B
d) RN
= INB RB
B
N B
e) RN
= RN
IN .
Veamos como se utilzan estos teoremas para resolver problemas de geometra.

527. Ejemplo Encontremos la matriz de T (x, y) con respecto a la base natural de
R2 , si B = {(1, 1), (2, 2)} y
256
TNB
1 2
3 4
Solucion: M
etodo 1. Podemos ver de la matriz que
T (1, 1) = 1~i + 3~j
T (2, 2) = 2~i + 4~j
Eso se debe a que la matriz TNB tiene como columnas las coordenadas en la base natural
de las imagenes por T de cada uno de los vectores de la base B.
Debemos encontrar T (~i) y T (~j). Tenemos:
~i = (1, 1) + (2, 2)
por lo que
1 = 2
0 = + 2
sumando y despejando obtenemos = 1/2 y = 1/4.
por tanto ~i = 1/2(1, 1) 1/4(2, 2) y
T (~i) = 1/2T (1, 1) 1/4T (2, 2) = 1/2(1, 3) 1/4(2, 4) = (0, 1/2)
Similarmente,
~j = (1, 1) + (2, 2)
entonces,
0 = 2
1 = + 2
sumando y despejando obtenemos = 1/2 y = 1/4.
Por tanto, ~j = 1/2(1, 1) + 1/4(2, 2) y
T (~j) = 1/2T (1, 1) + 1/4T (2, 2) = 1/2(1, 3) + 1/4(2, 4) = (1, 5/2).
Por consiguiente, la matriz de T es:

0
1
N
.
T = TN =
1/2 5/2
M
etodo 2. Hay que hallar T = TNN y como tenemos TNB1 usamos la siguiente
identidad dada por un diagrama conmutativo TNN = TNB1 IBN1 .
La matriz de IBN1 es la inversa de B1 que la hallamos por cofactores: la inversa es
uno sobre el determinante por la matriz de cofactores transpuesta. Como
B=
1 2
1 2
el determinante es 4, la matriz de cofactores es:

C=
2 1
2 1
2 2
1 1
La matriz de cofactores transpuesta es

T
C =
257
La inversa de B1 es
1
(B1 )
= (1/4)
2 2
1 1
Como TNN = TNB1 IBN1 tenemos que

0
1
2 2
1 2
2 2
1 2
N
.
=
= (1/4)
(1/4)
TN =
1/2 5/2
1 1
3 4
1 1
3 4
528. Ejercicio Encontrar por dos metodos diferentes T (x, y) si
a) B1 = {(1, 2), (2, 3)} y
TNB1
1 1
3
4
1 5
3 1
b) B1 = {(1, 1), (2, 5)} y

TNB1
c) B1 = {(1, 1), (2, 2)} y
TNB1
2 1
3
5
Continuemos con la depuracion de nuestra maquinaria.

529. Teorema. El determinante de una T L T es independiente de la base.
Demostraci
on. Hemos desarrollado en captulos previos un metodo para calcular el
determinante de una T L T con respecto a la base natural: DetT = DetTNN . Ahora
probaremos que tambien podemos utilizar cualquier base y da lo mismo:
DetTNN = DetTBB
Para verlo, comencemos notando que
TBB = IBN TNN INB
Recordando que DetT puede entenderse como el factor de amplificacion de un
volumen signado de un plp dado, entonces concluimos que Det(S T ) = DetSDetT .
Por tanto,
DetTBB = DetIBN DetTNN DetINB .
Recordemos ahora que si una T L T es invertible, tiene determinante diferente de
cero, y entonces Det(T 1 ) = 1/DetT , porque si un proceso amplifica por el factor k, el
proceso inverso amplifica por el factor 1/k. Reconociendo que IBN = (INB )1 , concluimos
que Det(INB )1 = 1/DetIBN . Por tanto:
DetTBB = DetIBN DetTNN Det(IBN )1
= DetIBN DetTNN (1/DetIBN ) = DetTNN
258
530. Ejercicio Ilustre el teorema anterior con un calculo explcito de DetT en la

base natural y en la base dada B:
a) T (x, y) = (3x 5y, 4x + 4y), B = {(1, 1), (1, 1)}
b) T (x, y) = (2x 1y, 4x + 3y), B = {(1, 1), (2, 2)}
c) T (x, y) = (x 4y, 3x 4y), B = {(2, 2), (1, 1)}
d) T (x, y) = (1x 3y, 3x 3y), B = {(2, 2), (2, 2)}
e) T (x, y) = (4x 5y, 4x + 7y), B = {(1, 1), (1, 1)}.
~ = (x1 , x2 , ..., xn ), Y~ = y1 , y2 , ..., yn ) vectores de Rn . Nosotros
531. Ejercicio Sea X
~ Y~ = P xi yi . Claramente, esa es
definimos el producto punto, interno o interior como X
una definicion ligada a la base natural. Si damos otra base B y tenemos las coordenadas
~ Y~ en esa base, c
de X,
omo ha de calcularse el producto punto? Considere primero el
caso de una base ortonormal.
532.
Ejemplo Estudiemos la reflexi

on R con respecto a la lnea y = x.
a) Para encontrar la matriz de esta T L con respecto a las bases naturales, debemos
descubrir que hace R sobre la base natural {(1, 0), (0, 1)}. Esa reflexion intercambia el
~ con el eje Y~ . Por tanto, R(1, 0) = (0, 1) y R(0, 1) = (1, 0).
eje X
y=x
~
X
~
R(X)
~j
~i
~ lo
Figura 10.4. Una reflexion R con respecto al eje y = x intercambia ~i y ~j y a X
~
transforma en R(X).
Por tanto, la matriz de T con respecto a la base natural es

0 1
N
R = RN =
1 0
escrita de esa forma, la matriz de R enfatiza el hecho de que R intercambia los ejes.
Observemos que R2 = I y que la inversa de R es ella misma.
b) Encontremos una base B, en la cual la matriz correspondiente enfatice que R es
una reflexion. Por supuesto, un elemento de la base debe ser un vector que genere el
259
eje de reflexion, en este caso, el eje es la lnea y = x, mientras que el otro vector de esa
base podra ser perpendicular al primero, un generador de la lnea y = x. Por tanto,
B = {(1, 1), (1, 1)}. A pesar de que notamos a B como conjunto, es, por contexto, un
conjunto numerado, ordenado. Escogemos el orden sugerido por la lista de B porque
~ en relacion con una reflexion
queremos que el vector (1, 1) juegue el papel del eje X
con respecto al eje Y~ .
Por tanto:
B
N B
RB
= IBN RN
IN
Tomando en cuenta que

1 1
B
IN = B =
1 1
y que

1/2 1/2
N
1
IB = B =
1/2
1/2
Obtenemos
B
RB
Al final
=B
N
RN
B
1/2 1/2
1/2
1/2
B
RB

1 0
0 1
0 1
1 0

1 1
1 1
B 2
B
R es claramente una reflexion. Observemos que (RB
) = I y que la inversa de RB
es ella misma.
533. Intriga. Dos veces una reflexi

on da la identidad, por lo tanto una reflexi
on es
su propia inversa. Adem
as, hemos encontrado que eso es cierto en dos bases diferentes.
Es una coincidencia o es cierto siempre?
534.
Ejemplo
Estudiemos la reflexi
on R con respecto a la lnea y = 3x.
Esta vez ya no podemos encontrar a simple vista la matriz de R con respecto a

alguna base. Encontremos, en primer lugar, una base B en la cual R sea facilmente
calculable.
Por supuesto, B = {~b1 = (1, 1/3), ~b2 = (1, 3)}, porque (1, 3) genera la lnea
que sirve de eje de reflexion, mientras que el otro vector ayuda a formar una base
ortonormal y con determinante positivo. De esa forma, podemos pensar que el primer
vector es un generador del eje horizontal y que el segundo lo es del eje vertical, con la
direccion positiva apuntando como uno la espera.
En la base B tenemos:
R(~b1 ) = ~b1
R(~b2 ) = ~b2
Esto significa que
(R(~b1 ))B = (1, 0)
260
(R(~b2 ))B = (0, 1)
Por lo tanto:
B
RB
1 0
0 1
Construyamos ahora la matriz de R con respecto a la base natural. Usamos la

igualdad
N
B N
RN
= INB RB
IB .
Tomando en cuenta que

1 1
B
IN = B =
1/3
3
y que

9/10 3/10
N
1
IB = B =
1/10 3/10
Entonces
N
RN
N 1
BRN
B
1 1
1/3
3

1
0
0 1

9/10 3/10
1/10 3/10
Como fue prometido, el resultado neto es:

4/5 3/5
8/10 6/10
N
=
RN =
3/5
4/5
6/10
8/10
Nos damos cuenta de que cada vector columna tiene norma uno, como debe ser, y
que la matriz es simetrica. Esa es la matriz de una T L definida por
R(x, y) = (4x/5 3y/5, 3x/5 + 4y/5).
Adivinara usted que esta expresion representa una reflexion? Hay alguna manera
de saberlo?
535. Ejemplo Calculemos la ecuaci
on del crculo R(C) que es la imagen del crculo
2
C cuya ecuaci
on es (x 8) + (y + 10)2 = 1 por la reflexi
on R con respecto a la lnea
y = x.
Primero saquemos la respuesta por sentido com
un: la reflexion de un crculo debe
ser un crculo con el mismo radio y centrado en el punto que resulta de reflejar el centro
del crculo inicial. Como se refleja con respecto a la lnea y = x, la reflexion de (8, 10)
es (10, 8). Por lo que el crculo reflejado es (x + 10)2 + (y 8)2 = 1.
Procedamos ahora con nuestra maquinaria:
El punto (w, z) pertenece a R(C) ssi R1 ((w, z)), la imagen inversa de (w, z), satisface la ecuacion del crculo C. As debemos encontrar la reflexion inversa. Afortunadamente la inversa de una reflexion es la misma reflexion: R1 = R. Por lo tanto,
(w, z) R(C) ssi R1 (w, z) C ssi R(w, z) C
Recordando que
R=
N
RN
261
0 1
1 0
entonces R(w, z) esta dado por una multiplicacion:

w
0 1
= z, w
R(w, z) =
z
1 0
Estas dupletas deben satisfacer la ecuacion (x 8)2 + (y + 10)2 = 1, lo cual significa

que (z 8)2 + (w + 10)2 = 1, o si uno prefiere (y 8)2 + (x + 10)2 = 1, tal como debe
ser. Ahora que sabemos que nuestra maquinaria sirve para los casos faciles, usemosla
para un caso mas difcil.
536. Ejercicio Enriquezca el ejemplo anterior con un dibujo apropiado.
on de la imagen de una elipse que es reflejada
537. Ejemplo Estudiemos la ecuaci
con respecto a la lnea y = 3x.
Podemos fabricar una elipse si magnificamos un crculo de manera desigual por
ambos ejes. Podemos hacer una magnificacion utilizando M (x, y) = (5x, 4y). Nuestra
elipse E sera el resultado de magnificar por M un crculo C con ecuacion x2 + y 2 = 1.
Vemos que (w, z) E ssi M 1 (w, z) C.
Claramente, M 1 (w, z) = (w/5, z/4) es un punto en el crculo C ssi
(w/5)2 + (z/4)2 = 1.
O, si uno prefiere, la ecuacion de la elipse es
(x/5)2 + (y/4)2 = 1.
pero por otro lado, la matriz de reflexion R con respecto a la lnea y = 3x y con
respecto a la base natural es

8/10 6/10
N
R = RN =
6/10
8/10
Esta matriz es su propia inversa. Por tanto, (w, z R(E) ssi
R1 (w, z) = R(w, z) E.
Esto sucede cuando (8w/10 6z/10, 6w/10 + 8z/10) satisface la ecuacion de E,
(x/5)2 + (y/4)2 = 1, i.e., ssi
((8w/10 6z/10)/5)2 + ((6w/10 + 8z/10)/4)2 = 1.
538. Ejercicio Dibuje una figura para ilustrar el ejercicio anterior. Invente un test
para verificar que todo ha sido bien hecho.
539. Ejercicio Sea i el n
umero complejo
M (x, y) = (x, iy) sobre el crculo.
1. Estudie el efecto de la magnificaci

on
540. Ejercicio Una conica es el resultado de la interseccion de un cono (de dos

faldas) con un plano. Puede dar un crculo, una elipse, una par
abola, una hiperbola, o
un par de lneas que se intersecan en el origen. Haga un dibujo ilustrando las conicas.
262
541. Ejercicio Estudie las reflexiones con respecto a las siguientes lneas y encuentre
la ecuaci
on de la imagen por la reflexi
on de la conica dada:
a) y = x, conica: y = x2
b) y = 2x, conica: y 2 x2 = 1
c) y = x/2, conica: y = 7x
d) y = 3x + 1, x2 = y 2 . Ayuda: sea cauteloso.
Recordemos que una base es ortogonal cuando sus vectores son mutuamente perpendiculares y que es ortonormal cuando ademas tienen norma uno. Es recomendable
que cuando uno tenga la libertad de escoger los vectores a su gusto, que el primero
sea escogido en el primer cuadrante, R2 , o en el primer octante, en R3 y que tenga
determinante positivo. De esa forma uno puede imaginarse la base como si fuese la
base natural.
on es x + 2y + 3z = 0.
542. Ejercicio Considere el plano , cuya ecuaci
a) Verifique que es un sub-EV. Pruebe que su dimension es dos.
b) Encuentre una base ortogonal B de R3 tal que dos de sus vectores sean base del
plano y que el otro vector sea el vector normal del plano. Ordene B de tal manera
que tenga determinante positivo.
B
c) Defina R como la reflexion de espejo con respecto al plano . Encuentre RB
.
d) Encuentre R.
B 1
e) Encuentre R1 . Compare con (RB
) .
f) La ecuacion de un crculo en el plano R2 es x2 + y 2 = 1. De forma semejante, la

ecuacion de una esfera en R3 es x2 + y 2 + z 2 = 1. Defina un elipsoide E como el
resultado de la magnificacion de una esfera por medio de M donde M (x, y, z) =
(ax, by, cz). Encuentre la ecuacion del elipsoide.
g) Encuentre la ecuacion de la imagen de E por R.
h) Repita la misma tarea con un hiperboloide, que es un crculo magnificado por N
donde N (x,
y, z) = (ax, by, cz) donde uno o dos coeficientes de a o b o c pueden
valer i = 1.
10.3.
Rotaciones en 3D
Ya sabemos que una rotacion en R2 tiene una matriz, con respecto a la base natural,
que es igual a

cos sen
N
R = RN =
sen
cos
10.3. ROTACIONES EN 3D
263
Podemos extender esa rotacion en el plano a todo el espacio tridimensional si

~ y Y~ . La nueva
consideramos que el plano es el sub-EV de R3 generado por los ejes X
~ no lo mueve.
rotacion rota los ejes horizontales com
un y corriente, mientras que al eje Z
~
~
~
Por tanto, si k = (0, 0, 1) (en la base natural), entonces R(k) = k. Esta nueva rotacion
se denota tambien por R y tiene como matriz
cos sen 0
N
cos 0
R = RN
= sen
0
0 1
~i
x
( sen , cos , 0)
(cos , sen , 0)
~j
y
Figura 10.5. Una rotacion de angulo alrededor del eje Z.

De ahora en adelante, toda rotacion es una rotacion alrededor de alg
un eje.
543. Ejercicio Generalice a 3D el teorema 499, pagina 227 sobre la ortogonalidad

de las matrices de rotaci
on.
on en sentido contrario a las
544. Ejemplo Encontremos la matriz de rotaci
manecillas del reloj de
angulo /3 alrededor del eje generado por (1, 1, 1).
Imaginemos que la lnea generada por (1, 1, 1) es un nuevo eje Z. Este vector es
normal al plano x + y + z = 0. Debemos encontrar de alguna manera una base para
ese plano, el cual es un sub-EV de R3 que pasa por el origen. Podemos tomar cualquier
vector de ese plano, digamos, (1, 0, 1) como un elemento de la base y otro puede ser
(1, 0, 1) (1, 1, 1) = (1, 2, 1).
La trada (1, 2, 1), (1, 0, 1), (1, 1, 1) forma una base de R3 con la misma orientacion que la base natural, tal que los dos primeros vectores forman una base del
plano. Como todos esos vectores son mutuamente perpendiculares, la correspondiente
base ortonormal se obtiene normalizando
264
6/6
2/2 3/3
B = INB = 26/6
0 3/3
6/6 2/2
3/3
Como es una base ortonormal, su inversa es su transpuesta:
B 1 = B T = IBN

6/6
2
6/6
6/6
= 2/2
0
2/2
3/3
3/3
3/3
El determinante de B es igual a +1, por lo que podemos pensar en B como si fuese

la base natural N . Por tanto, la rotacion de /3 alrededor de la lnea generada por
(1, 1, 1) vista desde la base B es:
1/2 3/2 0
cos(/3) sen(/3) 0
B
cos(/3) 0 = 3/2
RB
= sen(/3)
1/2 0
0
0 1
0
0 1
esto significa que si movemos apropiadamente la cabeza para ver la rotacion en

accion, se vera exactamente como si se hiciera sobre el plano ordinario.
Conociendo la matriz de la rotacion con respecto a la base B, la matriz de la
rotacion con respecto a la base natural es
B N
N
= INB RB
IB .
R = RN
La matriz INB es simplemente B, la cual es ortonormal, y por tanto

IBN = (IBN )1 = B 1 = B T .
Por lo que:
B T
R = BRB
B =
6/6
2/2
3/3
6/6
2
6/6
6/6
3/2
0
1/2
2/2
3/2
= 26/6
0
3/3
0
1/2
0
2/2
0
0 1
6/6 2/2
3/3
3/3
3/3
3/3
545. Ejercicio El ejemplo anterior involucra una buena dosis de conceptos y de

calculos. Como podremos saber que en realidad lo hicimos todo bien? Podemos explotar
la siguiente idea: si uno itera una rotaci
on de /3 tres veces, le da una rotaci
on de .
Pero iterar una rotaci
on 3 veces es lo mismo que elevar la matriz correspondiente al
cubo. Pruebe que la matriz R del ejercicio anterior, elevada al cubo, da la matriz de
una rotaci
on de
angulo .
10.4. TRAYECTORIAS SOBRE EL PLANO
10.4.
265
Trayectorias sobre el plano
Una trayectoria es una funcion que a cada instante de tiempo t le asocia una posicion
en un espacio dado.
546. Ejemplo Comencemos con una partcula que orbita con velocidad angular
uniforme formando un crculo sobre el plano generado por los ejes horizontales. Su
trayectoria se describe por
~r(t) = (cos t, sen t, 0), 0 t 2.
Si t = 0, la partcula esta en (1, 0, 0). Si t = /2 la partcula esta en el punto
(0, 1, 0). Si t = 2 la partcula alcanza su punto de partida. Observemos que el crculo
se describe en sentido antihorario.
547. Ejercicio Encuentre la trayectoria de una partcula puntual que orbita con
velocidad angular uniforme alrededor del origen formando un crculo en el plano Y Z.
548. Ejercicio Someta la trayectoria ~r(t) = (cos t, sen t, 0) al efecto de la magnificaci
on M (x, y) = (3x, 5y, 0) y encuentre la trayectoria del movimiento resultante.
549. Ejemplo Consideremos ahora el caso en el cual el movimiento circular es
sobre el plano x + y + z = 0.
Ya sabemos que existe una base ortonormal B de R3 con la misma orientacion que
la base natural y tal que sus dos primeros vectores son una base del plano (ver ejemplo
544):
6/6
2/2
3/3
B = (~e1 , ~e2 , ~e3 ) = 26/6

0 3/3
6/6 2/2
3/3
Si la partcula es vista desde la base B, el movimiento luce como un movimiento

circular uniforme sobre un plano:
C
~e2
~e1
~e3
Figura 10.6. Bases apropiadas simplifican las descripciones.
266
(~r(t))B = (cos t, sen t, 0).

Por tanto, (~r(t))N = INB (~r(t))B = B(r(t))B , esto es
6/6
2/2
3/3
cos
t
sen t
(~r(t))N = 26/6
0
3/3
0
6/6 2/2
3/3
550. Ejercicio Traslade el movimiento de la partcula del ejercicio previo al plano
x + y + z = 1 y encuentre la trayectoria resultante.
on del elipsoide x2 /4 + y 2 /9 + z 2 /16 = 1 que es
551. Ejercicio Encuentre la ecuaci
rotado alrededor del eje generado por (1, 1, 1) un
angulo de /3.
10.5.
1. En R2 , halle la matriz con respecto a la base natural de la reflexion con respecto a

la lnea y = 9x. Halle la imagen del punto (2, 8). Halle la imagen de la parabola
y = x2 . Halle la imagen del crculo x2 + y 2 = 4. Halle la imagen del crculo
(x 1)2 + (y 9)2 = 1. Ilustre las discusiones con dibujos apropiados.
2. En R3 , halle la matriz con respecto a la base natural de la reflexion con respecto
al plano y x + 3z = 2. Halle la imagen del punto (2, 8, 1). Halle la imagen de
la lnea y = x + 4. Halle la imagen del crculo del plano x2 + y 2 = 4. Halle la
imagen de la esfera (x 1)2 + (y 9)2 + (z 3)2 = 1. Ilustre las discusiones con
dibujos apropiados.
3. En R3 , halle la matriz con respecto a la base natural de la rotacion de angulo
/6 con respecto al eje determinado por el vector (1, 2, 3). Halle la imagen de
la lnea x + y + z = 1, x y + z = 2. Halle la imagen de la esfera
(x 1)2 + (y 9)2 + (z 3)2 = 1.
Ilustre las discusiones con dibujos apropiados.
10.6.
Resumen
La libertad para representar una T L con respecto a cualquier par de bases ha hecho
posible imponentes tareas geometricas gracias a que con bases apropiadas se simplifican
las descripciones. En particular, hemos podido extender la regla de multiplicar matrices
para hallar la matriz de la compuesta con respecto a bases arbitrarias. De eso hemos
podido deducir naturalmente la forma de cambiar de coordenadas y la representacion
de las T L con respecto a cualquier base.
CAPITULO
11
DIAGONALIZACION
La diagonal de una matriz A es el conjunto de las entradas Aii . Una matriz

diagonal es una matriz cuadrada cuyas entradas fuera de la diagonal son todas cero,
es decir, toda la informacion relevante esta sobre la diagonal. La matriz identidad es
diagonal. El objetivo del presente captulo es demostrar que en muchos casos, una
matriz es equivalente a una matriz diagonal, en el sentido de que ambas representan la
misma informacion, la misma T L, pero con respecto a bases diferentes.
Matrices equivalentes son igual de importantes. Pero puede pasar que para
problemas y preguntas especficas, una forma en particular sea mas importante que
las otras. Por ejemplo, una matriz diagonal es muy transparente. Ademas, las matrices
diagonales son muy faciles de multiplicar, una propiedad que nos sera muy u
til para el
estudio de los sistemas dinamicos. Por eso que en el presente captulo estudiaremos el
problema de encontrar el equivalente diagonal de una matriz.
A lo largo del captulo estaremos tratando con matrices cuadradas, es decir, con
T L de un espacio es s mismo, o con operadores lineales.
Una concisa introduccion a la diagonalizacion puede encontrarse en el ejemplo 581.
552. Ejemplo La importancia de la diagonalizaci
on se aprecia f
acilmente al resolver tareas geometricas. Hemos aprendido en el captulo pasado que una elipse E que
obedece la ecuaci
on x2 /9 + y 2 /4 = 1 y que es rotada /4 en sentido antihorario se
convierte en otra elipse que tiene como ecuaci
on 13x2 + 13y 2 10xy = 72. A dicha
elipse podemos asociar la matriz
E=
tal que
x y
13/72 5/72
5/72 13/72
13/72 5/72
5/72 13/72

x
y
13 2 13 2 10
x + y xy = 1
72
72
72
N
Todo eso se refera a la base natural. Por eso, preferimos notar E como EN
. Sin
embargo, una elipse rotada puede ser inmediatamente reconocida como una elipse,
267

CAPITULO 11. DIAGONALIZACION
268
algo que no pasa con nuestra ecuacion. El remedio es reescribir la ecuacion de la elipse
rotada en una base apropiada, B, desde la cual se vea derecha. La base B, escrita en
forma matricial, es

2/2 2/2
B=
2/2
2/2
Puesto que la matriz B representa una base ortonormal, su inversa es la transpuesta:

2/2
2/2
1
B =
2/2
2/2
Si las coordenadas de un punto en la base B se denotan como (w, z), la elipse luce
como
w2 /9 + z 2 /4 = 1
y podemos decir inmediatamente que se trata de una elipse. Esta informacion puede
ser codificada directamente en la matriz

1/9
0
B
EB =
0 1/4
donde hemos enfatizado que esa matriz representa, en la base B, la misma inforN
macion que la matriz EN
.
De todas maneras, las dos matrices representan la misma informacion, pero con referencia a bases diferentes y, por lo tanto, estan relacionadas por una matriz de cambio
de base. En nuestro caso:
N B
N
EBB = IBN EN
IN = B 1 EN
B
N
B B N
B 1
EN = IN EB IB = BEB B
En el caso de la elipse, pudimos fabricar una base ortonormal y por tanto la matriz
inversa B 1 era simplemente la transpuesta. Pero no siempre las cosas son tan faciles
porque no siempre se goza de tanta simetra como con la elipse.
11.1.
Matrices diagonales
553. Definiciones. Una matriz cuadrada M es diagonal cuando todas sus

entradas no nulas est
an sobre la diagonal. Las entradas en la diagonal pueden ser
iguales o distintas de cero. Una matriz diagonal puede ser notada como un vector, de
tal forma que la entrada Mii de la matriz est
a asociada con la entrada i-esima del
vector.
554.
Ejemplo
D(1, 2, 3) es la matriz diagonal
1 0 0
D= 0 2 0
0 0 3
11.1. MATRICES DIAGONALES

555.
Ejemplo
269
La matriz diagonal
1 0 0
D(1, 4, 1) = 0 4 0
0 0 1
representa una LT en la base natural. Veamos como se ve desde la base
1 1
1
B = 0 1 2
1
1 1
Esta base representa la matriz de cambio de coordenadas INB . La matriz inversa

representa el cambio contrario
1/2
0
1/2
1/3
IBN = B 1 = 1/3 1/3
1/6 1/3 1/6
B
N B
Tenemos: DB
= IBN DN
IN
Despues de los reemplazos adecuados, obtenemos:
1 0 0
B
DB
= 0 2 2
0 1 3
Observemos que esta matriz no es simetrica. Sin embargo, cuando se trata de una
base ortonormal tenemos el resultado siguiente:
556. Ejercicio Pruebe que para una matriz diagonal D el producto OT DO es simetrico, donde O es una base ortonormal.
557. Ejercicio Sea la base
1 1
1
B = 0 1 2
1
1 1
Reexpresar en la base B las siguientes matrices diagonales:

a) D(1, 2, 1)
b) D(1, 2, 1)
c) D(1, 1, 1)
d) D(1, 3, 4)
e) D(2, 1, 4)

270
558. Ejercicio Pruebe que las matrices diagonales conmutan entre ellas, esto es,
D1 D2 = D2 D1 . Proponga una explicaci
on geometrica de ese hecho. Pruebe que esa
propiedad se conserva aun si su naturaleza diagonal se esconde detras de un cambio de
coordenadas. Demuestrelo.
11.2.
Magnificaciones
Una matriz diagonal, interpretada como la matriz de cierta T L puede verse como
una magnificacion. Para ilustrar eso, notemos que para la matriz diagonal D(1, 2, 3)
tenemos:
D(1, 0, 0) = 1(1, 0, 0)
D(0, 1, 0) = 2(0, 1, 0)
D(0, 0, 1) = 3(0, 0, 1)
Por tanto, D amplifica una vez en la direccion X, dos veces en la direccion Y . y
tres veces en la direccion Z. D es una magnificacion anisotropica, es decir, que magnifica de forma diferente en direcciones diferentes. Puesto que nunca se especifico base
alguna, se esta tratando con la base natural. Por supuesto, una magnificacion no debe
estar esclavizada a dicha base. La grafica siguiente junto a las definiciones y ejercicios
formalizaran dicha idea. Todo es algo muy simple. Sin embargo, una magnificacion es
tratada en la literatura como algo muy esoterico, con nombres complicados. Por la
fuerza de la costumbre, aprenderemos a usarlos.
T (~v )
~v
T
~u
T (~u)
Figura 11.1. Una magnificacion es simple y exige una codificacion simple.
559. Definici
on. Si hay un escalar y un vector ~v 6= ~0 tal que para una T L
T : V V se tenga T (~v ) = ~v , entonces al escalar se le llama eigen-valor y al vector
se le llama eigen-vector. La palabra alemana eigen (lease aiguen) significa propio.
El vector cero se excluye, pues siempre se tiene que T (~0) = ~0 para toda T L T . Sin
embargo, recordemos que el n
umero cero s puede ser un valor propio que corresponde
a un apachurramiento.
560. Ejemplo Sea T (x, y) = (x + 3y, 2x + 6y), entonces
T (1, 2) = (1 + 6, 2 + 12) = (7, 14) = 7(1, 2).
Por lo tanto, 7 es un eigen-valor de T y el correspondiente eigen-vector es (1, 2).
Tambien decimos que (7, (1, 2)) es un par propio.
11.2. MAGNIFICACIONES
271
561. Ejercicio Demuestre que si ~v es un vector propio de una T L T , entonces ~v ,

con R y 6= 0, tambien lo es. Encuentre el correspondiente eigen-valor. Demuestre
que si (, ~v ) y (, w)
~ son pares propios, entonces ~v + w
~ no es un vector propio ni de
ni de a menos que = . Este resultado nos permite hablar de eigen-espacio,
el cual es un espacio generado por un conjunto de eigen-vectores asociados al mismo
eigen-valor.
562. Definiciones. Una T L T es diagonal o es una magnificaci
on cuando
B
existe una base B donde TB sea una matriz diagonal. En otras palabras, una T L T es
diagonal ssi existe una base B = {~v1 , ..., ~vn }tal que T (~vi ) = i~vi para ciertos escalares
{i }.
563. Definiciones. Dos matrices, M y N , son similares si ambas representan
la misma T L pero con respecto a, quiz
a, bases diferentes A y B: M = TBB y N = TAA .
Una de las bases es usualmente la natural porque en esa base generalmente se definen
las T L: T (x, y, ..., z) = .... Por ejemplo, las dos T L del ejemplo siguiente son similares.
564. Ejemplo Sea B la base natural rotada /4 al contrario de las manecillas del
reloj. La matriz diagonal
TBB
1/9
0
0
1/4
representa una T L con respecto a B. Por supuesto, ver ejemplo 552, dicha transformacion lineal es una magnificacion. Si reescribimos dicha T L con respecto a la base
natural obtenemos:

13/72 5/72
N
TN = T =
5/72 13/72
por lo tanto, la definicion de T es

T (x, y) = (13x/72 5y/72, 5x/72 + 13y/72).
T ha sido representada en dos bases diferentes que codifican la misma informacion
en forma de matrices similares.
565. Teorema. Si dos matrices M y N son similares, entonces existe una matriz
invertible K tal que M = K 1 N K.
566. Ejercicio Pruebe el anterior teorema y especifique la matriz K.

567. Teorema. Dos matrices similares tienen el mismo determinante.
Demostraci
on. Si dos matrices, M y N , son similares, entonces ellas representan la
misma T L con respecto a bases apropiadas: M = TBB y N = TCC , por lo tanto, existe una
matriz de cambio de base K que relaciona a M y a N , de tal forma que M = K 1 N K.
Tenemos:
Det(M ) = Det(K 1 N K) = Det(K 1 )Det(N )Det(K)
= (1/Det(K))Det(N )Det(K) = Det(N ).

272
568. Ejercicio Sabemos que las bases no juegan papel alguno en la definicion de un
determinante de una T L, es decir, el determinante de una T L es algo asociado a la
T L independiente de cualquier base. Formule la definicion de determinante de una T L
de tal forma que lo dicho sea obvio. Ayuda: el determinante debe ser funci
on de un
espacio de T L en R y re
une ciertas propiedades.
569. Ejemplo Sea la matriz M similar a la matriz diagonal D = (1, 2, 0), entonces
M es no invertible, pues su determinante es cero, por lo que M apachurra contra cero
alguna parte de su dominio. Es claro que el Kernel tiene dimensi
on uno y que la imagen
tiene dimensi
on dos.
570. Ejercicio Cierta matriz M es similar a una matriz diagonal. Por favor, diga
cuando la matriz original es invertible, la dimensi
on del Kernel y de la Imagen, si:
a) D(1, 0, 1)
b) D(1, 1, 1)
c) D(1, 0, 0)
d) D(1, 0, 3, 0)
e) D(2, 3, 0, 1, 0).
571. Ejercicio Para calcular el Kernel y la Imagen de una T L dada, hemos apelado
en captulos anteriores a la base natural. Sin embargo, hemos usado en el ejercicio anterior la creencia de que dichos espacios pueden calcularse en cualquier representaci
on,
en particular en una base propia, cuando existe, porque las respuestas son inmediatas.
Es eso correcto? En ese caso, pruebelo, o bien de un contraejemplo.
11.3.
El eigen-problema
El eigen-problema es encontrar, si es posible, una representacion diagonal de una

T L T . O mejor dicho, es dilucidar si una T L es una magnificacion.
572. Ejemplo Sea T (x, y) = (x + 3y, 2x + 6y). Debemos resolver
T (x, y) = (x, y) = (x, y). Esto es equivalente al sistema de ecuaciones:
x + 3y = x
2x + 6y = y
Multiplicando la primera ecuacion por dos y usando transitividad, obtenemos
2x = y, la que es una ecuacion con tres incognitas. Una solucion es = 1, con x = 1,
y = 2. Otra solucion es = 0. En ese caso, x + 3y = 0, por tanto, podemos tomar
x = 3, y = 1. En concreto, el problema es resuelto por los pares propios (1, (1, 2)) y
(0, (3, 1)). En un momento aprenderemos a probar que no existe otro que resuelva
el problema, es decir, que cualquier otro valor propio es un m
ultiplo de alguno de los
11.3. EL EIGEN-PROBLEMA
273
dos ya hallados. Observemos que el conjunto {(1, 2), (3, 1)} es una base de R2 y por
tanto T puede escribirse con respecto a B como TBB = D(1, 0). De esa forma, T es una
magnificacion o una T L diagonal.
573. Ejercicio Resuelva el problema propio para

T (x, y) = (x + 3y, 3x + 9y).
574. Contraejemplo El problema de diagonalizaci
on no siempre puede ser resuelto. Como hemos visto, la esencia de una matriz diagonal es su car
acter de magnificaci
on. Consideremos ahora una rotaci
on. Ella es en verdad una T L, pero ninguna
direccion es amplificada pues todo es rotado. Trabajemos con una rotaci
on concreta,
digamos de
angulo . La matriz correspondiente es
0 1
1
0
Para diagonalizar esa matriz, debemos resolver el problema propio

0 1
1
0

x
y
x
y
x
y
eso es equivalente a
y = x
x = y.
Multiplicando la primera ecuacion por , la segunda por 1 e igualando, obtenemos:
y = 2 x = x
2 x + x = 0
Factorizando
(2 + 1)x = 0
Por lo que debe cumplir (2 + 1) = 0, cuya solucion es = 1 = i que no

esta en los reales. Por lo tanto, la matriz dada no es diagonalizable sobre los reales.
575. Ejercicio De un ejemplo de una rotaci

on con al menos un valor propio real.
Caracterice todas las rotaciones con valores propios reales. Pruebe que en R2 casi todas
las rotaciones carecen de valores propios reales. Pruebe que en R3 todas las rotaciones
tienen al menos un valor propio real.
576. Ejercicio Construya una T L T : R3 R3 tal que sea una magnificaci
on en
la direccion Z pero una rotaci
on en el plano XY . Prediga cual ser
a el resultado del
eigen-problema para dicha T L T .
274
11.4.
Diagramas conmutativos
Esta seccion es autocontenida, puede servir de repaso y es especial para aquellos

que necesitan un camino bien cortico al tema de la diagonalizacion.
577. Teorema. Una T L es diagonal cuando existe una base B = {~b1 , ..., ~bn } tal
que todos sus elementos son vectores propios. Tal base, cuando existe, se llama base
propia. La matriz FBB de una T L diagonal F con respecto a una base propia B es la
matriz diagonal compuesta por los valores propios, listados en correspondencia con los
vectores de la base.
Demostraci
on. Sea F : Rn Rn una T L tal que existe una base B con n vectores
~b1 , ..., ~bn y con F (~bi ) = i~bi para escalares apropiados i . Recordemos que nuestras
bases siempre son ordenadas. Todos los ~bi son diferentes de ~0, pero algunos i pueden
ser cero.
Veamos como se escribe la matriz de F con respecto a una base propia B: cada
elemento de la base ~bi es pasado a traves de F y el resultado se descompone en la base
B, las coordenadas correspondientes se escriben en forma vertical en una matriz, la cual
es la matriz de F con respecto a B. Tenemos que F (bi ) = i~bi , cuya descomposicion
en la base propia B produce i~bi = 0~b1 + ... + i~bi + ... + 0~bn y, por consiguiente, las
coordenadas de F (bi ) en la base B son (F (bi ))B = (0, ..., i , ..., 0). Esas coordenadas se
escriben en forma vertical como la columna i. Vemos que terminamos con una matriz
diagonal:
1 0 ... ... 0
0 2 0 ... 0
FBB = ..
..
..
. ... . ...
.
0 ... ... ... n
En una palabra, FBB es una matriz diagonal compuesta de los valores propios, en el
mismo orden en el cual la base fue numerada.
Si escribimos la matriz F con respecto a la base natural, tenemos la matriz ordinaria

de F , tambien notada FNN . Como se relacionan esas dos matrices FBB y FNN ? Hay una
manera muy natural de entender la relacion:
578. Teorema. Sea F : Rn Rn una T L que admite una base propia B, y sea N
la base natural. Obtenemos la siguiente relacion:
FNN = INB FBB IBN
Demostraci
on. Veamos la naturalidad de esa identidad.
11.5. USO DEL DETERMINANTE

FBB
Rn
IBN
275
Rn
INB
FNN
Rn
Figura 11.2. Diagrama conmutativo.

En el diagrama adjunto, tenemos dos caminos: el primero, en la parte inferior, llega
en un solo paso, mientras que el segundo da un viaje de tres pasos. Las dos rutas
son equivalentes. Decimos que el diagrama es conmutativo. Cada parte de cada
ruta tiene su significado: IBN es la matriz de cambio de coordenadas desde la base
~ en la base propia y produce las
natural a la base propia. FBB acepta coordenadas de X
~ en la base propia. I B cambia de coordenadas de la base propia
coordenadas de F (X)
N
a la base natural. Encadenando todo obtenemos: las coordenadas son recibidas en la
base natural, se cambian a la base propia, son procesadas por F en la base propia, el
resultado sale en la base propia y se cambia de la base propia a la base natural. Por lo
~ en la base natural
tanto, la maquinaria acepta, en su totalidad, las coordenadas de X
~
y produce las coordenadas de F (X) en la misma base.
579. Ejercicio Con la misma notacion del u

ltimo teorema, dibuje el diagrama de
composiciones de las T L adecuadas para que el resultado siguiente resulte evidente:
FBB = IBN FNN INB .
11.5.
Uso del determinante
Con los ejercicios, por demas simples, que hemos visto, queda claro que el problema
propio puede dar lugar a tremendos problemas algebraicos. Afortunadamente, contamos
con una muy buena manera de usar el determinante para facilitarnos la vida. Veamosla.
El problema propio F (~v ) = ~v es equivalente a F (~v ) ~v = ~0. Factoricemos ~v .
Para hacerlo, no podemos proceder como sigue: (F )~v = ~0 porque un n
umero no
puede ser restado de una T L. Para obtener matriz menos matriz procedemos como se
debe:
(F I)~v = ~0
donde I es la identidad. Ahora, esta ecuacion siempre tiene la solucion trivial ~v = ~0.
Por lo que a nosotros lo que nos interesa realmente es encontrar soluciones no triviales.
Si llamamos M = F I, estamos buscando soluciones no triviales a M~v = ~0. Pero
eso implicara que buscamos un vector que sea apachurrado contra cero. Por lo tanto,
Det(M ) = 0, y esa ecuacion da un polinomio en terminos de , cuyas races son los
valores propios de F .
Podemos resumir:
580. Teorema. Una condici
on necesaria para que una T L pueda ser diagonalizada
es que Det(F I) = 0 para alg
un n
umero .

276
581.
Ejemplo
Diagonalicemos la matriz
F =
0 1
1 0
Solucion: Esta matriz define una T L que notamos F . Queremos encontrar vectores no
nulos que satisfagan la ecuacion F (~v ) = ~v que es lo mismo que encontrar vectores no
nulos que satisfagan F (~v I)~v = ~0, por lo que Det(F (~v ) I) = 0.

0
1
= ()2 1 = 2 1 = 0,
Det
1 0
lo cual implica que hay dos soluciones para , es decir, dos valores propios 1 y 1.
Para encontrar los correspondientes vectores propios, procedemos primero con = 1:
Necesitamos encontrar vectores ~v tales que (F I)~v = (F I)~v = ~0. Eso produce

0
v1
1
1
v1
01
1
=
=
0
v2
1 1
v2
1 01
Notemos que la primera ecuacion se transforma en la segunda si se multiplica por
1. Por consiguiente, cuando reduzcamos la matriz por Gauss-Jordan, la segunda
ecuacion se desaparece, pues no da informacion adicional, en perfecto acuerdo con
lo que se espera de una matriz con determinante igual a cero.
Ahora, tenemos una sola ecuacion v1 + v2 = 0. Como hay dos incognitas, hay
un grado de libertad, lo que significa que uno puede elegir a su antojo el valor de
una de las coordenadas del vector propio. O lo que es lo mismo, un vector propio que
es multiplicado por un escalar tambien da un vector propio asociado al mismo valor
propio.
Tomando la ecuacion v1 + v2 = 0, que es lo mismo que v1 = v2 , dando al v1 el
valor de 1 obtenemos que v2 toma el mismo valor. Por lo tanto, un vector asociado al
valor propio 1 es (1, 1).
Ahora analizamos el valor propio 1:

v1
0
v1
1 1
0 (1)
1
=
=
0
v2
1 1
v2
1 0 (1)
Olvidamos la segunda ecuacion y en la primera, v1 + v2 = 0, ponemos v1 = 1 por
lo que v2 = 1, y obtenemos el vector propio (1, 1). Notemos que el segundo vector
es perpendicular al primero: esto es lo que pasa cuando empezamos con una matriz
simetrica de coeficientes reales (probaremos esto mas adelante). Eso implica que
encontrar el primer vector propio de una matriz simetrica 2 2 determina inmediatamente el segundo por ortogonalidad.
Ahora manufacturamos una base propia con determinante igual a +1. Eso se hace
dividiendo cada vector propio por su norma. La norma de (1, 1), usando Pitagoras, es
2, la cual es la misma que de (1, 1).
Por tanto, la base propia es B = {(1/ 2, 1/ 2), (1/ 2, 1/ 2)}. Cuando se

escribe eso, ya se esta teniendo en cuenta que la base propia ha sido numerada:
277
(1/ 2, 1/ 2) es el primer vector y que (1/ 2, 1/ 2) es el segundo, pero el determinante de la base es

1/2
1/2
= 1
Det
1/ 2 1/ 2
Para lograr que el determinante quede positivo, numeramos la base en el orden
inverso. La base
es entonces
B = {(1/ 2, 1/ 2), (1/ 2, 1/ 2)}.

Por tanto, la matriz de cambio de coordenadas INB es simplemente la matriz formada
por la base
onvertical

en notaci
1/2 1/2
B
IN =
1/ 2 1/ 2
Recordemos que FNN = INB FBB IBN , donde la matriz IBN es inversa de INB . Puede
verificarse en el caso presente que la inversa es la transpuesta. Eso es valido porque la
base B tiene
mutuamente
perpendiculares, cuya norma es uno. Por tanto:

vectores
1/2 1/2
IBN =
1/ 2
1/ 2
Y la representaci
o
n diagonal de F es

1
0
FBB =
0 1
582. Ejercicio Con las matrices encontradas en el ejercicio previo, verificar que
FNN = INB FBB IBN .
583. Definiciones. Dada una matriz M, el polinomio que resulta de evaluar
Det(M I) = 0 se denomina el polinomio caracterstico de M . La multiplicidad
algebraica de un valor propio es igual al n
umero de veces que el valor propio se
repite como raz del polinomio caracterstico de la matriz. Por ejemplo, si el polinomio
caracterstico es p() = ( 3)2 ( 4) = 0 entonces 3 tiene multiplicada algebraica 2,
mientras que 4 tiene multiplicada algebraica 1.
584.
Ejemplo
La siguiente matriz no es diagonalizable en n

umeros reales:

0 1
1
0
En efecto, el polinomio asociado (el polinomio caracterstico) es

1
= 2 + 1 = 0
Det
1
cuyas races son i, i. Esto era de esperar puesto que la matriz representa una
rotacion de 90 grados, la cual transforma (0, 1) en (1, 0) y (0, 1) en (1, 0). Es claro
que una rotacion no multiplica ning
un vector por un escalar. Por lo que al hacer el
proceso de diagonalizacion, lo que uno encuentra es un polinomio que no tiene races
reales. Sin embargo, recordemos que los n
umeros complejos estan asociados a ondas y
por lo tanto no ha de ser sorpresa que matrices como la presentada en este ejemplo
aparezcan en sistemas oscilantes (Zill, 2008).
278
585. Ejercicio Las siguientes matrices diagonales representan magnificaciones en

una base dada. Encontrar su representaci
on en la base natural y resolver el correspondiente problema propio para dichas matrices, encontrando los valores propios, los vectores
propios y revertiendo la matriz diagonal original:
1. D(1, 2), B = {(1, 1), (1, 1)}
2. D(0, 0), B = { 2/2(1, 1), 2/2(1, 1)}

3. D(1, 0), B = {(1, 1), (1, 2)}
4. D(2, 1), B = {(1, 0), (1, 1)}
5. D(2, 1), B = { 10/10(1, 3), 10/10(3, 1)}.

586. Ejercicio Encuentre todos los valores propios de las siguientes matrices y escriba la forma diagonal asociada, si eso es posible. Matrices de este tipo son necesarias
para modelar el fen
omeno de resonancia cuando un modo natural de oscilaci
on de
un sistema es estimulado desde el exterior, como cuando una copa vibra inducida por
el sonido de una guitarra (Kittel y otros, 1965).

1 2
a)
0 1
1 2 3
b) 0 1 4
0 0 1
1 2 0
c) 0 1 0
0 0 1
1 0 3
d) 0 1 0
0 0 1
1 0 0
e) 0 1 1
0 0 1
587. Ejercicio Analice el siguiente razonamiento: Hemos mostrado, como se esperaba, que una rotaci
on de
angulo /2 no tienevalores propios reales. Sin embargo,
una magnificaci
on por el n
umero complejo i = 1 puede causar una rotaci
on. Por
lo tanto, una rotaci
on no es diagonalizable en reales pero s en complejos. En general,
la solucion al problema propio siempre comienza con la b
usqueda de las races de un
polinomio y un polinomio de grado n siempre tiene n races, que pueden ser complejas.
Hemos probado que toda matriz es diagonalizable en complejos.
279
588. Races de polinomios. Aunque hemos venido tratando con matrices 2 2,

nuestra teora es aplicable a cualquier dimensi
on. El problema es la complejidad de
la aritmetica que resulta. Por tal razon, uno puede optar por soluciones asistidas por
computador. Hay, con todo, un caso en el cual la aritmetica es manejable a mano y es
el caso de dimensi
on 3. Despues de encontrar el polinomio Det(M I) = 0, debemos
encontrar las races. En tres dimensiones, el polinomio caracterstico es c
ubico y puede
verse que siempre tiene al menos una raz real. Como podemos encontrarla? Podemos
explorar la recta real para ver si de casualidad encontramos una raz. Podemos mejorar
si recordamos que un polinomio es una funcion continua. Por lo que si encontramos
un valor en el cual el polinomio es positivo y otro valor en el cual el polinomio es
negativo, podemos estar seguros de que existe una raz entre los dos valores: esa es
una aplicaci
on del teorema del valor intermedio para funciones continuas (metodo de
biseccion de Newton).
Existe la posibilidad de que el polinomio tenga races racionales. Entonces, podemos
aplicar el siguiente Teorema. si un polinomio an xn + ... + a1 x + ao = 0 con coeficientes
enteros tiene una raz racional, r, entonces, ella es de la forma
r=(Divisores de ao )/(Divisores de an ).
589. Ejemplo La ecuaci
on 4x + 3 = 0 tiene como posibles races racionales a los
quebrados de la forma (divisores de 3)/(divisores de 4). De hecho, la u
nica raz es
3/4. Use este ejemplo como ayuda nemotecnica para recordar que es divisor de que.
590. Ejemplo Una matriz tiene como polinomio caracterstico a:
x3 +2x2 x2 = 0. Puesto que es c
ubico, tiene por lo menos una raz real. Los posibles
candidatos son (divisores de 2)/ (divisores de 1). Una lista completa es: 1, 1, 2, 2.
De hecho, una sustitucion directa da que las races son 1, 1, 2.
591. Ejemplo El polinomio caracterstico de una matriz es: x3 x2 2x + 2 = 0.
Las posibles races racionales son de la forma (divisores de 2)/(divisores de 1), que son
1, 1, 2, 2. Despues de chequear, la u
nica raz que sirvi
o es x = 1. Por tanto, x 1 es
3
2
un factor. Podemos dividir el polinomio
x
2x
+
2
= 0 por x 1 para encontrar
2
el cociente x 2, cuyas races son: 2, 2.
on Para la ecuaci
on (x 1)3 = x3 3x2 + 3x 1 = 0,
podemos comenzar con las posibles races racionales +1, 1. Un chequeo dice que
1 es raz, pero que 1 no lo es. En donde est
an las otras dos races? Dividimos
3
2
x + 3x + 3x + 1 por x 1 para obtener (x 1)2 = x2 + 2x + 1. Este polinomio
tiene como posibles races a 1, 1. Un chequeo directo dice que 1 es raz pero que 1
no lo es. Dividimos por (x 1) para obtener x 1 como cociente, cuya u
nica raz es
1. Por lo que el polinomio tiene 3 races pero todas iguales. En nuestro ejemplo, 1 es
una raz de multiplicidad algebraica 3.
593. Ejemplo Para el polinomio x2 3x/2 + 1/2 = 0, debemos multiplicar todo por
2 para obtener 2x2 3x + 1 = 0 cuyas posibles races racionales son 1, 1, 1/2, 1/2.
Un chequeo dice que 1 y 1/2 no son races, pero que 1 y 1/2 s lo son.

280
594. Ejercicio Encuentre las races de los siguientes polinomios:

a) x3 5x2 + 7x 3 = 0
b) x3 6x2 + 11x 6 = 0
c) x3 + x2 2x 2 = 0
d) 12x3 31x2 + 15x 2 = 0
e) x3 31x2 /12 + 5x/4 1/6 = 0.
595. Ejercicio Resuelva el problema propio para las siguientes matrices y verifique
que conmutan entre ellas.
6 2
0
6 3
a) 3
0 1
6
4 4 2
3 6
b) 6
1 2
5
0 4
6
3 6
c) 6
3 2 3
2/3 2/3
8/3
2
1
d) 1
4/3 1/3 2/3
2/3 2/3
4/3
1
0
1
e)
2/3 1/3 4/3
596. Ejercicio Pruebe que si dos matrices tienen la misma base propia, entonces
necesariamente conmutan entre ellas.
597. Ejercicio Sea
1/2 1/(32) 2/3

Q = 1/ 2 1/(32) 2/3
0
4/(3 2) 1/3
a) Pruebe que Q es la matriz de alguna rotacion.

11.6. MATRICES SIMETRICAS
281
b) Encuentre el eje de rotacion y el angulo correspondiente.

c) Bosqueje la grafica de la cuadrica x2 + 4y 2 + 9z 2 = 1.
d) Encuentre la ecuacion de la figura que es el resultado de rotar por Q a
x2 + 4y 2 + 9z 2 = 1 y bosquejela.
11.6.
Matrices sim
etricas
Recordemos que: dada una matriz cuadrada M , su transpuesta, M T , es el resultado

de reflejar la matriz M con respecto a la diagonal, es decir, si M = (aij ), M T = (aji ).
Una matriz que es igual a su transpuesta se llama sim
etrica. El determinante de una
matriz es igual al de su transpuesta. Para toda matriz M , tenemos que M (~u) ~v =
~u M T (~v ). Por lo tanto, toda matriz simetrica S satisface la identidad:
S(~u) ~v = ~u S(~v )
El problema propio para matrices simetricas es muy agradable y ofrece la posibilidad
de retroalimentarse para saber si uno va resolviendo un problema bien o mal. Eso es muy
importante, pues los calculos asociados al proceso de diagonalizacion son muy tediosos
y por lo tanto muy propensos a generar errores. Por ello es mejor tener metodos de
retroalimentacion, como los presentados por los siguientes teoremas:
598. Teorema. Los vectores propios de una matriz simetrica real son ortogonales
entre ellos, si los valores propios correspondientes son diferentes.
Demostraci
on. Sea S una matriz simetrica tal que S(~u) = ~u y S(~v ) = ~v , y tomamos
6= , por lo tanto
S(~u) ~v = ~u S(~v )
pero el lado izquierdo es igual a ~u ~v y el lado derecho es igual a ~u ~v . Por
consiguiente
~u ~v = ~u ~v = ~u ~v
Puesto que 6= , debemos concluir que ~u ~v = 0 y que a valores propios diferentes
corresponden vectores propios ortogonales.
599. Teorema. Los valores propios de una matriz simetrica real son todos reales.
Prueba en dos pasos. Paso 1. Es posible definir un producto punto, interno o
interior para vectores con coordenadas complejas.
Demostraci
on. Sea S una matriz simetrica y sea ~v un vector propio con el correspondiente valor propio. Debemos probar que se trata de un n
umero real. Como lo haremos? Es un placer explicitar que toda nuestra teora ha sido construida para n
umeros
reales y que, por tanto, debemos reconstruir todo de nuevo para tener derecho de hablar
282
de valores propios complejos. Necesitamos extender nuestra teora a n

umeros complejos
y trabajar en ese mundo mas grande. Ese trabajo monumental ya ha sido hecho:
Hemos definido el producto punto entre vectores con componentes reales como sigue:
si ~u = (u1 , ..., un ) y ~v = (v1 , ..., vn ) entonces
~u ~v = u1 v1 + ... + un vn
Queremos definir el producto punto entre vectores con coordenadas complejas. La
experiencia ha demostrado que tal definicion debe llenar un requisito muy simple para
que sea una extension u
til: se necesita que k~uk2 = ~u ~u > 0, siempre que ~u 6= 0. Eso
se logra si se define el producto punto entre vectores con coordenadas complejas como
~ = (z1 , ..., zn )y W
~ = (w1 , ..., wn ) entonces
sigue. Si Z
~ W
~ = z1 w1 + ... + zn wn
Z
donde el smbolo w denota el complejo conjugado de a + bi que es a bi.
Por ejemplo, si z = 1 + i, entonces kzk2 = (1 + i)(1 i) = 1 i2 = 1 + 1 = 2 > 0.
~ = (1 + i, 2 + 4i) y W
~ = (1 3i, 3 4i), tenemos que
Similarmente, si Z
~ W
~ = (1 + i)(1 3i) + (2 + 4i)(3 4i)
Z
= (1 + i)(1 + 3i) + (2 + 4i)(3 + 4i) = 12 + 24i.
de otra parte,
~ 2=Z
~ Z
~ = (1 + i, 2 + 4i) (1 + i, 2 + 4i)
kZk
(1 + i, 2 + 4i) (1 i, 2 4i) = (1 i2 ) + (4 16i2 ) = 1 + 1 + 4 + 16 = 22 > 0.
600. Ejercicio Pruebe que el nuevo producto punto cumple con las dos siguientes
propiedades:
~ W
~ = (Z
~ W
~)
a) (Z)
~ W
~ = (Z
~ W
~)
b) Z
Continuamos con la prueba del teorema 599. Paso dos. Si es valor propio de una
matriz simetrica real, entonces es igual a su conjugado: = .
Demostraci
on. Supongamos ahora que la matriz simetrica S tiene un valor propio ,
~
~ para cierto vector Z.
~ A
i.e., S(Z) = Z
un no sabemos si es real o no. Un n
umero real
es un n
umero complejo que es igual a su conjugado, pues no tiene parte imaginaria.
Puesto que S es simetrica, ella cumple:
~ Z
~ =Z
~ SZ
~
SZ
~
Puesto que Z es un vector propio de S, tenemos que
~ Z
~ =Z
~ (Z)
~
(Z)
Aplicando esas dos propiedades al ejercicio precedente obtenemos:
~ Z)
~ = (Z
~ Z)
~
(Z
Ahora tenemos dos posibilidades: que = 0, en cuyo caso el correspondiente valor
~ Z
~ = kZk
~ 2 > 0, podemos dividir entonces
propio es real. O bien, 6= 0 y en ese caso Z
~ Z)
~ = (Z
~ Z)
~
(Z
~ a ambos lados para obtener: = lo cual significa que es un n
por kZk
umero
real.

11.7. RECONOCIENDO LAS CONICAS
283
601. Teorema de los ejes principales. Toda matriz simetrica real (con entradas
reales, sin imaginarios) S, es diagonalizable, lo cual significa que tiene una base propia
con respecto a la cual se ve como diagonal, D. Esto es equivalente a decir: Sea S una
matriz simetrica. Entonces existe una matriz ortogonal B que diagonaliza a S, es decir
S = B T DB. Cada elemento de la base genera un eje que se llama un eje principal
y de ah el nombre del teorema. En las aplicaciones, pr
oximo captulo, veremos la
importancia de dichos ejes.
Demostraci
on: Investigacion. Pruebe que uno puede formar una base de vectores
propios B que expanden todo el espacio dominio de la T L codificada por S. En la base
B, S se ve como diagonal, D. Al relacionar D y S se tiene que S = BDB T .
602. Ejercicio Diagonalice, si tan s
olo es posible, las siguientes matrices. Ellas son
2 2, para practicar con matrices 3 3, pase al captulo siguiente donde tendremos de
sobra. Las matrices son:

1 1
a)
1 1

1 2
b)
2 4

1
2
c)
2 3

1
5
d)
5 3

1
6
e)
6 1
603. Investigaci
on Las rotaciones no producen magnificaciones (en n
umeros reales),
por lo tanto no pueden ser similares a una matriz diagonal. Por ello, es posible que
toda T L tenga en parte una rotaci
on y en parte una magnificaci
on. Sera eso verdad?
Por favor, de ejemplos, contraejemplos, pruebas y todo lo que haga falta para dilucidar
esa intriga.
11.7.
Reconociendo las c
onicas
Sabemos que la ecuacion de una conica que ha sido rotada incluye terminos de la
forma xy. Por ejemplo, la ecuacion 13x2 10xy + 13y 2 = 72 describe una elipse rotada
en sentido contrario a las manecillas del reloj un angulo de /4. Ahora enfrentaremos
el problema inverso: determinar la naturaleza de una conica junto con el angulo de
rotacion de la figura cuya ecuacion en la base natural es ax2 + by + cy 2 + dx + ey = f .
Para poder hacer eso haremos uso de todo el poder de la diagonalizacion.

284
604. Ejemplo Identifiquemos la conica y el

angulo de rotaci
on si su ecuaci
on en
2
2
la base natural es 13x 10xy + 13y = 72.
La ecuacion puede reescribirse matricialmente como:

x
13 5
x y
= 72
y
5 13
lo cual es de la forma X T M X = k, donde X es un vector, M una matriz, k un

escalar. Para identificar la conica, debemos escribir la ecuacion en otra base desde la
cual ya no aparezca el termino xy. Esto se logra si reescribimos la matriz asociada a
la conica en una matriz en la cual adquiera una forma diagonal. Una matriz diagonal
representa una magnificacion, i.e., una T L que deja fijas ciertas direcciones, en las
cuales ella produce la multiplicacion por un escalar. Por eso necesitamos resolver el
problema propio M~v = ~v or (M I)~v = ~0 donde ~0 representa el vector nulo. Puesto
que ~v = ~0 es una solucion y necesitamos una no trivial, exigimos que (M I) sea
no inyectiva, o sea que apachurre ciertos vectores contra cero, por tanto, Det(M I)
debe ser cero. Este es nuestro comienzo:

13
5
=0
Det
5
13
(13 )2 25 = (13 5)(13 + 5) = 0
cuyas races son 1 = 8 y 2 = 18.
Si reemplazamos el valor 1 = 8 en la ecuacion (M I)~v = 0, obtenemos:

v1
13 8
5
=0
v2
5
13 8
o, simplificando:
5 5
5
5

v1
v2
=0
Observemos que el determinante de esta matriz es cero, como debe ser. Esto se
debe a que la segunda ecuacion es redundante y que nos queda una ecuacion con dos
incognitas, por lo que una incognita puede ser fijada a voluntad: sea v1 = 1 por lo que
v2 = 1. Por lo tanto, el primer vector propio es (1, 1). Reemplazando el segundo valor
propio debe producir el segundo vector propio (1, 1), puesto que a valores propios
diferentes corresponden vectores propios perpendiculares. Es esto verdad? Veamos:

v1
13 18
5
=0
v2
5 13 18

v1
5 5
=0
v2
5 5
eso se reduce a la ecuacion 5v1 5v2 = 0, la cual se satisface con (1, 1). Con estos
dos vectores propios formamos una matriz de tal forma que su primer vector unitario
quede en el primer cuadrante y el segundo en el segundo cuadrante. De esa manera el
determinante queda positivo. Podemos formar pues la base ortonormal

11.7. RECONOCIENDO LAS CONICAS
285

2/2
2/2
B=
2/2
2/2
Esa base es el resultado de rotar la base natural un angulo de /4. Esta matriz tambien representa la matriz de cambio de coordenadas INB , cuya inversa es su transpuesta:
(INB )1 = (INB )T = IBN .
De otro lado, cada elemento ~bi de la base B obedece a la ecuacion M~bi = ~bi . Por
lo tanto, la matriz adquiere la forma diagonal D en la base B:

8 0
B
D = MB =
0 18
Las dos representaciones estan ligadas por las identidades
MBB = IBN MNN INB
MNN = INB MBB IBN
Usando la segunda identidad, podemos reescribir la ecuacion de la conica
X T M X = 72 en la base B. De hecho, la ecuacion original es exactamente:
(XN )T MNN XN = 72.
Podemos hacer las sucesivas transformaciones
(XN )T INB MBB IBN XN = 72
(XN )T (IBN )T D(IBN XN ) = 72
(IBN XN )T DXB = 72
XBT D(XB ) = 72
Si a las coordenadas XB de un punto X en la base B las llamamos (u1 , u2 ), entonces
obtenemos

8 0
u1
u1 u2
= 72, o
u2
0 18
8(u1 )2 + 18(u2 )2 = 72
(u1 )2 /9 + (u2 )2 /4 = 1.
Conclusi
on: la ecuacion en la base natural representa una elipse con ancho 3 en
la direccion (1, 1), y ancho 2 en la direccion (1, 1). El angulo de rotacion es /4.
Notemos la correspondencia natural: la primera coordenada u1 fue dada por el primer
vector de la base, el cual iba en la direccion (1, 1) con valor propio 8, mientras que la
segunda coordenada u2 iba en la direccion (1, 1), cuyo valor propio es 18.
El merito de una base ortonormal es que cuando es considerada como matriz, su
inversa es su transpuesta. Sin embargo, uno tambien puede trabajar en una base ortogonal cuyos elementos tienen igual largo, y aun en el caso en el cual el primer vector
no este en el primer cuadrante.
605.
Ejemplo
La conica 11x2 /10 + 19y 2 /10 + 6xy/10 = 1 est

a representada por

286
M=
MNN
11/10 3/10
3/10 19/10
El problema del valor propio produce 1 = 1, 2 = 2 con base propia B e inversa

B dadas, respectivamente, por

3 1
B=
1
3

3/10 1/10
1
B =
1/10 3/10
1
La matriz diagonal correspondiente es

D=
MBB
1 0
0 2
En la base B la conica tiene la ecuacion:

u21 + 2u22 = 1
u21 + u22 /(1/2) = 1
u21 + u22 /( 2/2)2 = 1

Por lo tanto: La conica es una elipse orientada
en la direccion (3, 1) con ancho 1. En
la direccion normal, (1, 3), tiene ancho 2/2. Su angulo de rotacion es Arctan(1/3).
606. Ejercicio Pruebe que la base B dada por
B=
3 1
1
3
es una base propia de todas las conicas dadas, encuentre los valores propios, la
forma diagonal de las conicas, la ecuacion asociada, el angulo de rotacion y haga un
dibujo (el papel de ~i es jugado ahora por (3, 1) y el de ~j por (1, 3)). Las conicas estan
representadas por una ecuacion cuyo lado derecho es uno, pero en caso de inconsistencia
la ecuacion debe igualarse a 1. En la base natural, las conicas estan representadas
por las matrices:

21/10 3/10
a)
3/10 29/10

6/10 12/10
b)
12/10 26/10

8/10 6/10
c)
6/10 8/10

14/10 12/10
d)
12/10 46/10

e)
12/10 6/10
6/10 28/10
287
f) Tome varios pares (A, B) de esas matrices y realice los productos AB y BA. Que observa usted? Podra explicarlo?
607. Ejercicio Es nuestro formalismo aplicable a par

abolas? De ejemplos y contraejemplos. Puede nuestro formalismo ser ligeramente modificado para ser aplicable
a par
abolas? Para entender la pregunta, tome la par
abola y = x2 en coordenadas cartesianas y rotela un
angulo de /4 en sentido contrario a las manecillas del reloj. Despues
enfrente el problema propio con la ecuaci
on resultante.
11.8.
1. Si la matriz de la transformacion T : R2 R2 , en la base canonica de R2 , es

diagonalizable y (1, 2), (3, 1) son vectores propios de T y T (5, 5) = (2, 1),
halle los autovalores (sinonimo de valores propios y de eigen-valores) de T y la
matriz de la transformacion, en la base canonica de R2 .
1 0 0
2. Para que valores de a la matriz A = 0 0 1 es diagonalizable?
0 a 0
1
1 0
3. Considere la matriz A = 0 1 0 . Es A diagonalizable? En caso afir0
0 1
mativo, hallar su forma diagonal D y obtener una matriz P invertible tal que
P 1 AP = D.
4. Muestre que si B 2 = I, entonces los valores propios de B son 1 y 1.
5. Encuentre una matriz A22 simetrica con
propios
1 = 1, 2 = 2 y

valores
1
1
.
y v~2 =
vectores propios correspondientes v~1 =
1
1
6. Si Ann es diagonalizable y 1 , ..., n son los valores propios de A entonces
Det(A) = 1 2 ...n .
11.9.
Resumen
Una matriz diagonal es casi la mas simple y ademas tiene una interpretacion geometrica simple: es una magnificacion anisotropica (que no funciona igual en todas las
direcciones). La libertad de expresar una T L en cualquier base se explota al maximo
en la diagonalizacion, un programa que consiste en fabricar una base especial, una base
propia, que permita una representacion diagonal de dicha T L. Vimos que esto se usa
para reconocer una conica cuya naturaleza esta escondida detras de una rotacion. Pero
288
la diagonalizacion tiene muchas aplicaciones, algunas de las cuales las veremos en el

proximo captulo y otras se ven en un curso de ecuaciones diferenciales.
CAPITULO
12
APLICACIONES
Las aplicaciones de la diagonalizacion son ilimitadas y muchas veces sorpresivas.

Comenzaremos con una aplicacion a figuras tridimensionales, que es un tema con aplicacion directa a la ingeniera, a la industria y que tambien tiene que ver con algunos
problemas filosoficos acerca de la naturaleza del hombre. Despues veremos como se
usa la diagonalizacion para estudiar maximos y mnimos y para atacar un problema
en mecanica relacionado con la rotacion de cuerpos rgidos. Terminamos con una aplicacion al estudio de los sistemas dinamicos.
12.1.
Ajuste de patrones
Un patr
on es un objeto que sirve de modelo o referencia para comparar objetos
de un conjunto dado. Por ejemplo, un crculo en el plano es un conjunto de puntos
que equidistan perfectamente de otro punto dado. Cuando nosotros vemos una figura,
inmediatamente la comparamos con la batera de patrones que hay en la mente, crculos,
cuadrados, triangulos y demas. No existe en la naturaleza elementos perfectamente
circulares, pero nosotros decimos que algo es circular porque el patron circular es el
que mejor se ajusta a la figura. Eso quiere decir que hay una diferencia entre el patron
y el objeto a clasificar y que el patron crculo es el que minimiza la diferencia.
Lo anterior implica que las diferencias se pueden cuantificar, medir de alguna manera. En algunos casos esto puede ser algo muy complicado. Por ejemplo, la ciencia
no es mas que un estudio del grado y calidad del ajuste entre las teoras, patrones
preconcebidos, y los datos de la naturaleza. Pero en otros caso, el problema de ajuste
puede ser tratable e incluso sencillo, pues se reduce a la solucion de un sistema de
ecuaciones lineales.
608.
Ejemplo
Lnea de regresi
on de mnimos cuadrados.
Investiguemos la sospecha de que el ingreso mensual tiene una dependencia lineal

con respecto al tiempo de experiencia. Los datos los reportamos por pares de la forma
(tiempo de experiencia en a
nos, sueldo en unidades arbitrarias):
(3, 5), (2, 5), (2, 4), (4, 9)(3, 7), (5, 11).
289
CAPITULO 12. APLICACIONES
290
Solucion: Nosotros dibujamos los puntos sobre un plano cartesiano, lo cual se denomina un diagrama de dispersi
on.
12
11
b
10
9
b
8
7
b
6
5
b
4
b
3
2
1
0
-1
-1
Figura 12.1. Los a

nos de experiencia en el eje horizontal, el sueldo en el eje vertical.
Mirando el diagrama de dispersion, uno se forja una idea sobre aquella lnea recta
que mejor se ajusta a los datos, es decir, aquella que mejor parece representar los datos.
Cuando la lnea viene de unos datos particulares, de una muestra, nosotros usamos
para la lnea la ecuacion con letras latinas:
y = a + bx.
Pero cuando nosotros formulamos un modelo, un patron, usamos letras griegas
y = + x
En nuestro caso, la lnea que mejor se ajusta a nuestros datos parece pasar por el
punto mas cercano al origen y por el mas lejano. Esos puntos son: (2, 4) y (5, 11), los
cuales nos generan una lnea (en letras latinas):
12
11
b
10
9
b
8
7
b
6
5
b
3
2
1
0
-1
-1
Figura 12.2. Estimacion visual de la lnea que mejor representa los datos, aquella
que causa un mnimo de descontento global.
12.1. AJUSTE DE PATRONES
291
La pendiente de dicha lnea es

y2 y1
7
11 4
b=
= = 2,33
=
x2 x1
52
3
Por lo tanto, la ecuacion de la lnea es
y = a + bx = a + 2,33x
Para hallar a estudiamos un punto cualquiera, por ejemplo, (2, 4) :
4 = a + 2,33(2) = a + 4,66
por lo que a = 4 4,66 = 0,66
Por consiguiente, nuestra estimaci
on visual de la lnea de regresi
on es
y = 0,66 + 2,33x.
Mirando la nueva grafica, vemos que es razonable probar la creencia de que el
ingreso mensual es proporcional a la experiencia, es decir, que se justifica un modelo
lineal. Esta idea es importante, pues demuestra que al problema de ajuste de patrones
comienza con ideas preconcebidas.
Para hallar exactamente la lnea que mejor se ajusta a los datos es usual sacar una
formula general y despues aplicarla. Consideremos el problema de ajustar una lnea de
la forma y = +x a unos datos de la forma (xi , yi ). Para un xi dado el correspondiente
y observado es yi pero el modelo predice + yi . Hay una discrepancia, un error, entre
lo predicho por el modelo y lo observado. Dicho error se mide por la expresion:
2 (, ) =
X
i
(yi ( + yi ))2 =
X
i
(yi yi )2
y se llama error cuadratico. El patron buscado es aquella lnea recta que minimiza el error cuadratico y se llama lnea de regresi
on de mnimos cuadrados.
Para minimizar una funcion como esta, derivamos e igualamos a cero, pero como la
funcion depende de dos variables, usamos derivadas parciales en las que cuando se
deriva parcialmente con respecto a una variable, las demas se consideran constantes.
Las derivadas parciales, digamos con respecto a se notan como

. Precedemos:
=2
(yi xi )(1) = 0
i
Dividimos a ambos lados por 2 y individualizamos la sumatoria:
X
X
X
=
yi
xi = 0
i
i
P i
El termino i es igual a la suma de n terminos cada uno de los cuales vale ,
por lo tanto este
P termino vale n.
P
El termino P i yi es igual a nY donde Y es la media de los yi pues Y = (1/n) i yi .
Reemplazando obtenemos:
Similarmente, i xi = nX.
nY n n Y = 0
Dividiendo por n y despejando obtenemos:
= Y X
Ahora derivamos parcialmente con respecto a :
292
X
=2
(yi xi )(xi ) = 0
i
Dividiendo por 2 y expandiendo obtenemos:
X
X
X
=
xi yi
xi
(xi )2 = 0
i
i
i
Utilizamos
la definici
on de la media de los xi :
X
X

xi yi nX
(xi )2 = 0
i
Reemplazamos por Y X:
X
X
X

xi yi n(Y X)
(xi )2 = 0
i
es
Xdecir
X
Y + n(X)
2
x i y i nX
(xi )2 = 0
i
o sea
X
X
Y + [n(X)
2
(xi )2 ] = 0
x i y i nX
i
Pi
Y
x i y i nX
P
2
2
n(X)
i (xi )
El signo menos lo usamos en el denominador y al final
P
Y
x i y i nX
=Pi 2
2
i (xi ) n(X)
Ahora despejamos : =
Ahora construimos la siguiente tabla para aplicar nuestras formulas al problema

especfico:
Regresion de
xi
3
2
2
4
3
5P
Sumas
xi =19
ingresos mensuales (y) vs

yi
xi yi
5
15
5
10
4
8
9
36
7
21
11
55
P
P
yi =41
xi yi =145
tiempo de experiencia x
(xi )2
(yi )2
9
25
4
25
4
16
16
81
9
49
25
121
P
P
2
(xi ) = 67
(yi )2 =317
Calculamos
los promedios. Como en este caso tenemos 6 pares de datos:
P
x = P x/6 = 19/6 = 3.17
y = y/6 = 41/6 = 6.83
La lnea de regresi
P on (mn. cuadrados): y = a + bx se determina por
xy n
xy
SSxy
= P 2
;
=
SSxx
x n
x2
= y x.
Para nuestro ejemplo, esto se convierte en

12.2. CUADRICAS
293
15.09
145 6(3.17)(6.83)
=
= 2.24
2
67 6(3.17)
6.71
a = y b
x
b=
a = 6.83 (2.24)(3.17) = 6.83 7.10 = 0.27
As, la lnea de regresion de mnimos cuadrados es

y = 0.27 + 2.24x
Comparamos esta respuesta con la que habamos sacado visualmente:

y = 0.66 + 2.33x
Comparando las dos ecuaciones, la sacada por calculo grafico y la sacada por formulas, vemos que hay concordancia y por tanto podemos confiar en que hemos hecho bien
las cosas.
Observemos que nosotros podemos hallar la lnea de regresion para datos que se
ajustan a cualquier modelo, digamos a una parabola. Por lo tanto, la lnea de regresion
de por s no significa mucho. Lo que falta por hacer es demostrar que dicha lnea es un
buen modelo y que compite con otros. Por otra parte, no hay lmite ni a la variabilidad
ni a la complejidad de los modelos estudiados. Tenemos muchsima experiencia con
este tipo de problemas y es parte de la estadstica (Jobson, 1991).
609. Ejercicio Halle la lnea de regresi

on de mnimos cuadrados que mejor se ajusta
al conjunto de puntos dados por {(0, 10), (2, 9), (3, 7), (4, 4), (3, 4)}
12.2.
Cu
adricas
En esta seccion estudiamos un tipo especial de figuras tridimensionales que representan generalizaciones a la parabola, la elipse, la hiperbola, etc.
610. Ejemplo
cuales es
Una de las figuras 3D mas simples es el cilindro, un ejemplo de los
y 2 + z 2 = 1.
En dos dimensiones, esta ecuacion representa un crculo, pero en tres dimensiones

no hay restriccion alguna a la variable x, la cual puede asumir cualquier valor. Por
tanto, y 2 + z 2 = 1 representa un cilindro cuyo eje es el eje X.
294
~
Z
1
1
Y~
1
~
X
Figura 12.3. El cilindro y 2 + z 2 = 1.

611.
Ejemplo
El hiperboloide de un manto.
Consideremos ahora una expresion mas compleja: x2 + y 2 z 2 = 1. Podemos reconocer que figura es con una simple manipulacion: x2 + y 2 = z 2 + 1. De esa forma,
nos damos cuenta de que tenemos un crculo en el plano XY cuyo radio se relaciona
con el valor de z: mientras mas grande sea z, el radio del crculo es mas grande, es
decir, a medida que subimos el plano XY , la interseccion con este es un crculo cada
vez mas grande. Oficialmente se dice: la traza de x2 + y 2 = z 2 + 1 con z = constante,
es un crculo que es funcion creciente y par de z. Ademas, para poder apreciar mejor
la silueta de esta figura, fijamos y = 0, y nos queda una hiperbole: x2 = z 2 + 1. Por
tanto, podemos hablar de una figura que se llama hiperboloide de un manto:
z=2
z=1
z = 1/2
Figura 12.4. Trazas horizontales del hiperboloide x2 + y 2 = z 2 + 1.

12.2. CUADRICAS
295
Si pegamos todos esos crculos obtenemos una figura tridimensional, la cual puede
visualizarse por medio de una espiral:
Figura 12.5. Una espiral trazadora sobre el hiperboloide x2 + y 2 = z 2 + 1.
612.
Ejemplo
La esfera.
Para visualizar la ecuacion x2 + y 2 + z 2 = 1, podemos reconocer que

x2 + y 2 = 1 z 2 representa un crculo cuyo radio decrece con z, la cual debe cumplir
z [1, 1].
z = 0,8
z = 0,5
z = 0,2
Figura 12.6. Bosquejo de una esfera.
296
Las trazas con z = k dan crculos y al pegar todas esas curvas se obtiene una esfera,
en este caso de radio 1.
Figura 12.7. La esfera.
613.
Ejemplo
Hiperboloide con dos mantos.
Ahora presentamos un estudio de x2 + y 2 z 2 = 1, que nos da una figura que se

conoce como hiperboloide de dos mantos. Se llama hiperboloide porque si damos a x
el valor de cero o si le damos a y el mismo valor, nos queda una hiperbola. Por lo que
la silueta de esta figura es una hiperbola vista desde dos angulos diferentes. Podemos
reorganizar para ver otra figura sencilla: x2 + y 2 = z 2 1 es la ecuacion de un crculo
cuando z 2 1 > 0. Por lo tanto, en 1 < z < 1 no hay figura. Para valores de z > 1,
tenemos un crculo cuyo radio crece con z. No hay que hacer el estudio de z < 1
pues la figura permanece lo mismo si intercambiamos z por z, es decir, la figura es
simetrica con respecto al plano XY . Por esa razon, la figura tiene dos partes, se dice
dos mantos, una arriba del plano XY y otra simetrica, abajo de el. Ademas, la figura
es invariante si intercambiamos x por y. Eso quiere decir que no se puede distinguir la
direccion x de la de y.

12.2. CUADRICAS
297
Figura 12.8. El hiperboloide de dos hojas x2 + y 2 = z 2 1.
614. Ejercicio Bosqueje las figuras:

a) x2 + y 2 + z 2 = 9
b) x2 + y 2 4z 2 = 0
c) 4x2 y 2 4z 2 = 1
d) x2 + 9y 2 4z 2 = 1
e) x2 + y 2 /9 4z 2 = 1
f) Observe que la mayora de figuras pertenece a la misma clase. Es eso una coincidencia o un hecho?
298
Pasemos ahora a explorar el poder del algebra lineal. Nuestra tarea primaria es
demostrar que no nos falta ninguna figura, lo cual quiere decir que hemos estado trabajando con ecuaciones polinomicas de segundo grado y si a
nadimos una ecuacion del
tipo 13x2 10xy + 13y 2 = 72, que no hemos visto, nada ganaremos. En general, todas
las complicaciones posibles son ligeras modificaciones de lo ya visto.
615. Definici
on. Una k-cu
adrica es una ecuaci
on polin
omica de segundo grado
2
2
en k variables. Por ejemplo, 13x 10xy + 13y = 72 es una 2-cuadrica, mientras que
13x2 10xy + 13y 2 72z 2 = 1 es una 3-cuadrica.
616. Ejemplo Veamos de que manera un simple cambio de base puede ser usado
para reescribir una expresi
on complicada en otra
forma cuya interpretacion es inme2
2
2
diata. Consideremos la cuadrica x + 2y + 3z + 2 2yz = 1. La matriz asociada a ella
es:
1
0 0
B
2
DB
= 0 2
2
3
0
Esta matriz es simetrica con valores

propios 1, 4, 1. El valor propio 4 tiene como
espacio propio el generado por (0, 2, 2). El valor propio 1 tiene un espacio propio de
2 dimensiones, generado por una base
con 2 elementos. Escogemos una base para este
sub-EV tal que su union con (0, 2, 2) sea una base ortogonal:
1
6
0
2
C= 2
2
2 2
2
Esta base da origen a una ortonormal
0
1/
7
6/
42
B=
1/3
2/7
2/42
2/ 7 2/ 42
2/ 6
cuya transpuesta coincide con su inversa. La matriz diagonal asociada a esa cuadrica
es, por tanto, D = D(4, 1, 1). Eso implica que desde la base B la cuadrica se vea como
2
4u21 + u22 +
1/2 en la
u3 = 1, la cual es un elipsoide,
cuyos anchos principales son
direccion (0, 2, 2), 1 en la direccion (1, 2, 2), y 1 en la direccion (6, 2, 2).
Observese que pudimos escoger nuestra base en el sub-EV de dos dimensiones
a capricho, y eso se debe a que en este caso una seccion transversal es un crculo.
Si permanecemos en el plano que contiene el crculo, podemos cambiar de una base
ortonormal a otra, pero la ecuacion del crculo permanecera invariable. Eso explica
nuestra libertad.
617. Ejercicio Estudie las siguientes cuadricas. Encuentre los valores propios, los
vectores propios correspondientes, la base propia ortonormalizada, la forma diagonal,
y finalmente haga un dibujo. Las cuadricas son:

12.2. CUADRICAS
299
a) 4x2 /3 + 4y 2 /3 + 4z 2 /3 + 2xy/3 2xz/3 2yz/3 = 1

b) x2 /3 + 4y 2 /3 + z 2 /3 + 2xy/3 8xz/3 2yz/3 = 1
c) x2 /3 + y 2 /3 + z 2 /3 4xy/3 + 4xz/3 + 4yz/3 = 1
d) 4x2 /3 7y 2 /3 4z 2 /3 + 10xy/3 4xz/3 10yz/3 = 1
e) 2x2 /3 + y 2 /3 2z 2 /3 4xy/3 2xz/3 + 4yz/3 = 1.
on propuesta a la
618. Ejercicio: al derecho y al rev
es. Aplique la magnificaci
cuadrica dada y recobre la original por una transformaci
on inversa:
a) D(1, 2, 3), x2 + y 2 + z 2 = 1
b) D(1, 2, 3), x2 + y 2 + z 2 = 1
c) D(1, 1/2, 1/3), x2 y 2 + z 2 = 1
d) D(1, 0, 3), x2 + y 2 /4 + z 2 /9 = 1
e) D(1, 1/2, 3), x2 y 2 z 2 = 1.
Hemos estado trabajando en la construccion de figuras que estan centradas en el
origen, y que pueden ser rotadas y agrandadas o achicadas. Consideremos ahora una
nueva variante:
619. Ejercicio Revise la seccion de traslaciones al principio del curso y use la
teora correspondiente para trasladar las cuadricas dadas al punto dado:
a) x2 + 3xz z 2 = 1; (1, 2, 3)
b) x2 y 2 + 3xy + 4z 2 = 1; (1, 2, 3)
c) x2 y 2 + 5xy 5xz3z 2 = 1; (4, 2, 3)
d) x2 y 2 + 3xy 9z 2 = 1; (1, 5, 3)
e) x2 y 2 3xy 5xz + z 2 = 1; (1, 2, 7).
Ahora enfrentemos el problema inverso: dada una cuadrica con terminos de primer
grado, encontremos una traslacion que la reduzca a una cuadrica ordinaria centrada
fuera del origen.
620.
Ejemplo
Encontremos la traslacion asociada a la cuadrica
300
s2 11s + 3su u2 + 3u = 0
En este caso, la traslacion asume la siguiente forma: s = x a, u = z b. Por lo
que la cuadrica se convierte en
(x a)2 11(x a) + 3(x a)(z b) (z b)2 + 3(z b) = 0
Nuestro objetivo es cancelar los terminos de la forma cx o kz, los cuales son distintivos de las traslaciones. Por lo tanto, desarrollamos nuestra expresion:
x2 + 3xz z 2 + (2a 11 3b)x + (3a + 2b + 3)z + a2 + 11a + 3ab b2 3b = 0
por lo tanto:
2a 11 3b = 0
3a + 2b + 3 = 0
de lo cual encontramos que a = 1 y b = 3 y por tanto
a2 + 11a + 3ab b2 3b = 1
Obtenemos
x2 + 3xz z 2 + 0x + 0z 1 = 0
o
x2 + 3xz z 2 = 1
la cual es una cuadrica que ha sido rotada y cuyo estudio ya sabemos hacer. Tenemos
un cilindro en el plano XZ, que es generado por una hiperbola.
621. Ejercicio Las siguientes expresiones representan cuadricas que han sido trasladadas desde el origen al punto dado P . Encuentre la traslacion y reescriba la cuadrica
como vista desde los ejes trasladados, desde la cual se ve como una cuadrica ordinaria:
a) x2 + 5xz z 2 12x + 9z = 18
b) x2 y 2 + +4z 2 + 9y = 1
c) x2 y 2 + 3z 2 16z = 1
d) x2 y 2 + 3xy 9z 2 9z = 1
e) x2 y 2 3xy 5xz + z 2 + 4x = 1
12.3.
Ejes principales
Los ejes principales tienen una vvida intepretacion en la dinamica de cuerpos rgidos. No hay que pensar que eso es complicado. Veamos como es eso de entendible y de
bonito.
Un cuerpo rgido es aquel que no se deforma al irse moviendo sea libremente o
bajo el influjo de fuerzas externas. No existen cuerpos verdaderamente rgidos, pero
s existen cuerpos aproximadamente rgidos para los cuales se aplica la teora.
El movimiento de un cuerpo rgido, como un avion de combate de geometra fija, se
describe en cada instante por el movimiento de su centro de masa y por una rotacion
12.3. EJES PRINCIPALES
301
alrededor de un eje. Al siguiente instante, el centro de masa puede trasladarse y el eje

de rotacion puede cambiar.
Si una partcula puntual se mueve horizontalmente, hay dos cantidades que se conservan en ausencia de fuerzas externas, el momento lineal, que es un vector, y la energa
cinetica que es un escalar. El momento es p~ = m~v y la energa cinetica es K = (1/2)mv 2 .
Similarmente, si un cuerpo esta rotando, aunque su centro masa no se traslade, sus
partculas se estan moviendo y, por lo tanto, debe haber alg
un tipo de indicadores,
que muestren que rotar despacio es muy diferente de rotar rapido, como lo saben muy
bien los karatecas que golpean con la pierna en rotacion o los tenistas de mesa que
mu
nequean al golpear la bola. Y por otro lado, hacer girar una puerta despacio es
mas facil que hacerlo rapido y, tambien, el esfuerzo necesario parece ser mas grande
mientras mas cerca se este del eje de rotacion de la puerta.
Los estudios han indicado que la dinamica de la rotacion de cuerpos rgidos se
describe con dos indicadores fundamentales: el momento angular y el torque. El primero
es un vector que va paralelo al eje de rotacion y de magnitud proporcional a la velocidad
angular, y el segundo relaciona la fuerza y el brazo o distancia perpendicular al eje de
giro.
P
Formalmente, el vector de momento angular, J~ se define como J~ =
Mn~rn ~vn ,
donde Mn es la masa de la partcula n, ~rn es su distancia al eje de rotacion y vn es
su velocidad. En particular, para un anillo, como una rueda de bicicleta de masa total
M , de radio R y que gira con respecto a su eje con velocidad angular
~ , se tiene que
el momento angular es J~ = M R2
~ . La velocidad angular es un vector perpendicular al
~ La cantidad I = M R2 es una constante llamada el momento
anillo, lo mismo que J.
de inercia, por lo que
J~ = I~
Eso implica que en un anillo, el momento angular y la velocidad angular son paralelas.
~ es N
~ = P ~rn F~n . Entonces tenemos la ley fundamental
Por otra parte, el torque N
que dice que si hay una fuerza que produzca un torque, entonces o cambia la direccion
del eje de giro o cambia la velocidad angular o cambian ambos:
~
~.
dJ/dt
=N
Si no hay fuerza externa, el torque es cero y el momento angular se conserva. Eso
es lo que permite que el que va en la bicicleta adquiera una cierta velocidad y no se
caiga sin necesidad de pedalear. Esto tambien permite que la ni
na que gira sobre sus
patines lo haga cada vez mas rapido a medida que recoge los brazos.
En general, para cuerpos que son mas complicados que los anillos, la relacion entre
las componentes del vector del momento angular J~ = (Jx , Jy , Jz ) y las de la velocidad
angular
~ = (x , y , z ) se da por
J~ = [I]~
302
pero ahora [I] ya
esta dado por
Ixx Ixy
Iyx Iyy
[I] =
Izx Izy
no es un escalar sino una matriz, llamada tensor de inercia y
Ixz
Iyz
Izz
donde I es simetrico.
En componentes, la ecuacion J~ = [I]~ se puede escribir como

Jx = Ixx x + Ixy y + Ixz z
Jy = Iyx x + Iyy y + Iyz z
Jz = Izx x + Izy y + Izz z
Lo que esta ecuacion quier decir es que, en general, la velocidad angular y el momento angular no son paralelos, como en un anillo.
Por otro lado, la energa cinetica K asociada a la rotacion se escribe como
K = 12 (x2 Ixx + y2 Iyy + z2 Izz + 2x y Ixy + 2y z Iyz + 2z x Izx )
donde cada uno de los terminos de la forma I es una integral que involucra la
distribucion de masa con su distancia al eje de rotacion. La expresion anterior tambien
puede escribirse como
K = [~ ]T [I][~ ]
Vemos que para K = constante, se tiene una forma cuadratica simetrica con coeficientes reales, por lo que puede diagonalizarse en reales. Ademas, todos los coeficientes
son positivos, y por lo tanto, la forma cuadratica representa un elipsoide. Los vectores
propios de [I] son paralelos a los ejes del elipsoide, los cuales se llaman ejes principales.
Ahora bien, la energa cinetica no puede depender de los ejes de referencia. Por eso
tomamos la base que mas simplifique las cosas: aquella dada por los ejes principales.
Si llamamos a los valores propios como I1 , I2 , I3 , se tiene entonces que
K = 21 (I1 12 + I2 22 + I3 32 )
Sobre la misma base, el vector de momento angular se escribe como
J1 = I1 1
J2 = I2 2
J3 = I3 3
lo cual permite escribir la energa cinetica como
K=
1
J2
2I1 1
1
J2
2I2 2
1
J2
2I3 3
En el siguiente teorema tenemos un resultado que amerita el nombre de ejes principales que se ha dado a los ejes propios del momento de inercia.
12.3. EJES PRINCIPALES
303
622. Teorema. Cuando el cuerpo gira alrededor de un eje principal, J~ es paralelo

a
~.
Demostraci
on. Un eje principal esta definido por la ecuacion
[I]~u = ~u.
Se tiene que, si el cuerpo gira con respecto a un eje principal, entonces
~ y dicho
eje son paralelos. Eso implica que
[I]~ = ~ .
Eso quiere decir que si el cuerpo gira con respecto a un eje principal, el tensor de
inercia se percibe como un escalar y por tanto,
J~ = [I]
se convierte en
J~ = .
es decir, el momento angular y la velocidad angular son paralelas.
Pero, cual es el misterio de que
~ y J~ sean o no paralelos? La razon es que desde el
punto de vista del sistema de referencia determinado por los ejes principales, se tiene
que
dJ~
dt
~.
+ J~ = N
Por lo que aunque no haya fuerza exterior que cree un torque, la discrepancia entre
la velocidad angular y el momento angular hace las veces de torque.
Es el caso del trompo: como no es totalmente simetrico como una esfera, el tensor
de inercia no es reemplazable por un escalar y por tal razon, habra un angulo entre
la velocidad angular y el momento angular. Cual es el efecto? Que mientras que el
trompo gira anclado en un mismo punto del piso, su eje de rotacion va dando la vuelta.
A eso se llama precesi
on.
Es posible que a uno se le ocurra pensar que todos estos temas ya han sido sobreestudiados y que no hay nada nuevo que decir. Pues no, ese no es el caso. Citemos
varios ejemplos:
Debido a que la Tierra no es una esfera perfecta, toda la teora se le aplica y resulta
que las observaciones cuadran bien, pero no perfectamente con la teora. Y nadie sabe
por que. De forma similar, creemos que el calentamiento global esta modulado por la
forma como se mezclan las aguas profundas de los oceanos, cuyos movimientos estan
influenciados por la rotacion de la Tierra. Pero de eso es poco lo que se sabe, es un tema
abierto. Para acabar de completar, el campo magnetico de la Tierra y su rotacion deben
admitir alguna conexion, cuya forma exacta es tema de estudios avanzados (Kittel y
otros, 1965).
304
12.4.
M
aximos y mnimos
Hemos venido aprendiendo como se asocian matrices simetricas a algunas cuadricas.

Esa asociacion puede extenderse a las cuadricas derivadas de los maximos y mnimos
de funciones reales. La idea fundamental es facilmente comprensible para funciones
f : R R, cuya grafica es una curva suave. Un punto de la curva se llama crtico
si la lnea tangente en ese punto es horizontal. Un punto crtico puede ser mnimo o
maximo o punto de inflexion.
Hay varias tecnologas para dilucidar la naturaleza de un punto crtico. Una de ellas
es el polinomio de Taylor, el cual sirve para asociar a un punto crtico de una funcion la
parabola tangente, algo de la forma y = a(x b)2 + c. Si la parabola abre hacia arriba,
cuando a > 0, tenemos un mnimo. Si la parabola abre hacia abajo, cuando a < 0,
tenemos un maximo local. Si la parabola es degenerada y es realmente una lnea, uno
no sabe que hacer, pues todo puede darse.
Desarrollemos la teora correspondiente para funciones con dos variables, del tipo
f : R2 R. En este caso un punto crtico es aquel cuyo plano tangente es horizontal.
En vez de la parabola tangente, ahora tenemos el paraboloide tangente, el cual es una
figura tridimensional cuyas secciones con ciertos planos son parabolas. Los tres tipos
fundamentales de paraboloides son los siguientes:
1. Un minimoide: z = ax2 + by 2 con a > 0 y b > 0. Por ejemplo, z = x2 + y 2 .
Observemos que para valores constantes y positivos de z, la figura describe un crculo,
cuyo tama
no crece a medida que crece z. Por lo que un minimoide es media cascara de
huevo que abre hacia arriba: en el punto crtico tenemos un mnimo.
Figura 12.9. Minimoide z = x2 + y 2 .

Lo mismo para con z = 4x2 + 9y 2 . Las secciones horizontales son elipses, que son
deformaciones de un crculo. Una elipse tiene un crculo promedio, que en este caso es
una funcion monotona de z: mientras mas grande z, mas grande es la elipse. Cuando

12.4. MAXIMOS
Y MINIMOS
305
z = 0, la elipse se reduce a un punto. Como podemos ver, el paraboloide abre hacia

arriba. Si se trata de un paraboloide tangente a un punto crtico, estaramos en el caso
de un mnimo.
2. Un maximoide: z = ax2 + by 2 con a < 0 y b < 0. Por ejemplo,
z = (4x2 + 9y 2 ) = 4x2 9y 2 .
Este es un minimoide patas arriba: tenemos un maximo, en el punto crtico.
3. Una silla: z = ax2 + by 2 con a > 0 y b < 0 o a < 0 y b > 0. Por ejemplo,
z = x2 + y 2 o z = 4x2 9y 2 . Analicemos el caso mas simple: z = x2 + y 2 . Para
y = 0 tenemos una parabola en x que abre hacia abajo. Si leemos la ecuacion como
z = y 2 x2 , para x fijo, tenemos una parabola en y que esta bajo el plano z = 0 la
cantidad x2 . Mientras mas distante este x del origen, mas abajo estara el mnimo de la
parabola. Por lo que una silla se determina por dos parabolas. Una silla se ve maximoide
desde en lado y minimoide desde el otro. Una silla tiene la estructura adecuada para
que el vaquero se siente extendiendo sus piernas a lo largo del maximo mientras su
cuerpo adquiere estabilidad por el mnimo traversal.
Figura 12.10. La silla z = x2 + y 2 . La direccion X sale desde la pagina.
306
y
x
Figura 12.11. El paraboloide degenerado z = y 2 .

Hay ademas unos casos patogenos que es bueno saber:
a) Un mnimo o maximo degenerado: sucede cuando el paraboloide tangente no
tiene las 3 variables, como z = y 2 . En este caso, tenemos que el mnimo queda no en
un punto sino en una lnea.
b) Un extremoide defraudado. Eso pasa cuando el paraboloide tangente a la figura en un punto crtico es un plano, el cual no sirve para dilucidar la naturaleza del
punto. En efecto: puede verse que el paraboloide tangente a la figura z = 4x4 + 9y 4
en (0, 0) es un plano, z = 0. Sin embargo, la figura tiene un mnimo. Similarmente,
el paraboloide tangente a z = 4x4 9y 4 tambien es z = 0 y sin embargo la figura
tiene un maximo. Tambien pasa lo mismo con la silla z = 4x4 + 9y 4 . Vemos, pues,
que el paraboloide tangente que termina siendo un plano no tiene ning
un merito para
descifrar la naturaleza de un punto crtico.
623. Ejemplos Los siguientes paraboloides son tangentes en (0, 0) a ciertas funciones, en donde ellas tienen un punto crtico. Decidamos la naturaleza del punto
crtico, si se trata de maximo, mnimo o silla:
a) z = x2 /4 y 2 /9, una silla.
b) z = x2 /16 y 2 /25, una silla.
c) z = 3x2 y 2 /9, una silla.
d) z = 4x2 y 2 /16, un maximo.
e) z = x2 /4 + 7y 2 , un mnimo.
f) z = x2 /9 y 2 /4, una silla.
g) z = x2 /9 3y 2 , un maximo.
h) z = 5, no se sabe.

12.4. MAXIMOS
Y MINIMOS
307
624. Ejercicio Los siguientes paraboloides son tangentes en (0, 0) a ciertas funciones, en donde ellas tienen un punto crtico. Decida, si es posible, la naturaleza del
punto crtico:
a) z = x2 /4 y 2 /9
b) z = x2 /16 y 2 /25
c) z = 3x2 + y 2 /9
d) z = 4x2 + y 2 /16
e) z = 2x2 /4 7y 2
f) z = x2 /9 + y 2 /4
g) z = x2 /9 3y 2
h) z = 7
i) z = +7
Observemos que en esta muestra de puntos crticos, la mayora son sillas. Es eso
una coincidencia o que?
625. Ejercicio Decimos que un punto crtico es estable cuando es un mnimo o
maximo. Si se trata de una silla, decimos que es inestable. Pruebe que cuando una
cuadrica depende de n variables, la probabilidad de que el sistema sea estable en un punto crtico es 2/2n = 1/2n1 . Esto parece implicar que cuando muchas variables afectan
un sistema, la probabilidad de inestabilidad es muy alta. Como se ataca este problema
en la industria? En las empresas? En las sociedades? Ser
a la tendencia a la inestabilidad una razon por la cual en la mayora de culturas se apela a dioses y ag
ueros para
remediar la incapacidad de conservar la estabilidad o el desarrollo sostenible?
626. Ejemplo Supongamos que el paraboloide tangente a cierta figura en un punto
crtico es z = x2 + y 2 4xy. Tenemos aqu un maximo o un mnimo o que? Este es
un problema de diagonalizaci
on. La figura es un paraboloide rotado sobre el plano XY.
El paraboloide est
a descrito por
z=
x y
1 2
2
1

x
y
Los valores propios de la matriz asociada son 3 y 1. Esto significa que hay una
base ortonormal que genera las coordenadas (u, v), desde la cual la figura se ve como:

3
u
0
= 3u2 v 2 ,
z= u v
v
0 1
la cual es una silla. Por lo tanto, el punto crtico se clasifica como silla.
308
627. Ejercicio Reescriba los siguientes paraboloides en una base diagonalizante y

decida su naturaleza:
a) z = x2 /4 y 2 /9 + 4xy
b) z = x2 /16 y 2 /25 + 7xy
c) z = 3x2 + y 2 /9 2xy
d) z = 4x2 + y 2 /16 + xy/5
e) z = 2x2 /4 7y 2 7xy
f) z = x2 /9 + y 2 /4 + 8xy
g) z = x2 /9 3y 2 xy
628. Ejercicio Pruebe que z = p(x, y), donde p es un polinomio de segundo grado,
define un punto crtico estable si el determinante de la matriz asociada es positivo.
Que pasa en otras dimensiones?
12.5.
Sistemas din
amicos lineales
Un sistema dinamico es un sistema que cambia con el tiempo. Algunos sistemas

se estudian mas facilmente si se modela el tiempo como una variable continua. De
toda maneras, los computadores han impuesto la necesidad de modelar el tiempo como
variable discreta. Una descripcion cruda de un sistema dinamico producira una lista
de los estados ocupados por el sistema en tiempos sucesivos (discretos). Sera posible
inferir el estado de un sistema en un futuro, si se conoce una condicion inicial? Eso es
perfectamente posible si sabemos como inferir Et+1 , el estado del sistema en el tiempo
t + 1, sabiendo el estado Et del sistema en el tiempo t. La inferencia se hace por un
operador, el operador de evolucion, Ot , que dictamina la evolucion del sistema:
Et+1 = Ot (Et )
Un sistema es lineal cuando Ot es una matriz. En ese caso, uno puede saber el
estado en un tiempo lejano por medio de iteraciones del operador de evolucion:
Et+k = M (...(M (Et ))) = M k (Et )
El problema es que multiplicar matrices es algo tedioso, por lo que uno puede
ayudarse de los computadores. Pero veamos que da de s el proceso de diagonalizacion.
Veamos como se calcula F n para una matriz F que puede ser diagonalizada.
Si la matriz F puede ser diagonalizada, entonces puede ser escrita como el producto
de 3 matrices:
F = P DP 1
donde D es una matriz diagonal. Elevando a la potencia n a ambos lados:
F n = (P DP 1 )n = (P DP 1 )(P DP 1 )...(P DP 1 )(P DP 1 )
= P D(P 1 P )D(P 1 ...P )D(P 1 P )DP 1 )

12.5. SISTEMAS DINAMICOS
LINEALES
309
= P D(I)D(I...I)D(I)DP 1 )
= P DD...DDP 1 = P Dn P 1
Por tanto, el problema de iterar una matriz diagonalizable se convierte en el problema de iterar una matriz diagonal.
629. Teorema. Dn de una matriz diagonal D es la matriz diagonal que en su
diagonal pone la potencia n de cada uno de sus elementos.
630.
Ejemplo
Si la matriz diagonal:
3 0 0
D= 0 5 0
0 0 7
Entonces
38 0 0
D8 = 0 58 0
0 0 78
631. Investigaci
on Demuestre el teorema anterior en su forma general usando el
principio llamado Induccion matematica.
Vamos a discutir ahora un requisito para ser diagonalizable.
632. Teorema. Sea M una matriz diagonalizable que tenga al menos un valor
propio no nulo. Entonces M n es diferente de la matriz cero para cualquier n finito.
Demostraci
on. Puesto que M es diagonalizable se puede escribir como M = P DP 1
donde D es una matriz diagonal y P es una matriz de cambio de base. Por lo que
M n = P Dn P 1 . Como Dn tiene en su diagonal los valores propios a la potencia n, y
al menos uno de ellos no es cero, entonces Dn nunca sera la matriz cero por lo que M n
tampoco.
Este teorema significa que si una matriz A es tal que existe un natural n tal que An
es la matriz cero, entonces A no puede ser diagonalizable ni en reales ni en complejos.
on Sea la T L T : R2 R2 tal que T (~i) = ~j, T (~j) = ~0,
entonces la matriz de T 2 es la matriz cero. En efecto, T (T (~i)) = T (~j) = ~0 en tanto que
T (T (~j)) = T (~0) = ~0. Como T 2 manda una base sobre cero, manda a todo el mundo
sobre cero y de esa forma es identicamente cero. La matriz de T en la base natural es

0 0
T =
1 0
la cual cumple T 2 = 0. Una matriz M tal que M n = 0 para alg
un n se llama nilpotente. Las matrices nilpotentes no son diagonalizables ni en reales ni en complejos.
310
634. Ejemplo y definiciones Tratemos de diagonalizar la matriz T del ejemplo

anterior para ver que aprendemos:

0 0
T =
1 0
Tenemos que
T I =
0
1
tiene como determinante 2 = 0, por lo que tiene un u

nico valor propio, el cual es
0. Para hallar un vector propio asociado a dicho valor procedemos:

0
x
0 0
=
0
y
1 0
La primera ecuacion no da nada y de la segunda obtenemos x = 0 por lo que y
puede tomar cualquier valor, digamos 1. Por tanto, al valor propio 0 le corresponde el
vector propio (0, 1).
El problema es que nos falta otro vector propio para completar una base, puesto
que T tiene un u
nico valor propio de multiplicidad algebraica 2 pues se repite dos
veces. Tambien se usa el termino multiplicidad geom
etrica de un valor propio para
denotar la dimension del espacio propio asociado a un valor propio. En nuestro ejemplo,
el valor propio 0 tiene multiplicidad geometrica 1, pero multiplicidad algebraica 2, por
lo que origina un deficit de vectores propios. Y por eso no es diagonalizable.
Ahora bien, el hecho de que una matriz tenga valores propios repetidos no es ning
un
obstaculo para que ella sea diagonalizable. Por ejemplo, la matriz identidad es diagonal
y es diagonalizable y tiene un u
nico valor propio 1 con multiplicidad algebraica n, la
dimension del espacio, y ese u
nico valor propio tiene multiplicidad geometrica n: no
hay deficit de valores propios para fabricar una base.
Nuestra conclusion es entonces:
635. Teorema. Una matriz que denota una T L T : Rn Rn es diagonalizable ssi
hay suficientes vectores propios para construir una base de Rn . Eso es equivalente a
decir que la multiplicidad algebraica de cada valor propio es igual a su multiplicidad
geometrica. O que la suma de las dimensiones de todos los espacios propios es igual a
la dimensi
on del espacio.
636. Ejercicio Decimos que un sistema es un sistema din
amico discreto cuando
el n
umero de estados que puede ocupar es discreto y cuya transicion puede modelarse
por una matriz. Pruebe que si un sistema es lineal con operador de evoluci
on una matriz
constante M , y si tiene un s
olo estado de equilibrio, entonces tendera rapidamente a
el desde cualquier condici
on inicial. Un sistema dinamico puede tener valores propios
complejos, los cuales generan oscilaciones. Para verlo, recuerde que las potencias de i
son: i = 1, i2 = 1, i3 = i, i4 = 1, i5 = i, i6 = 1, etc., en ritmo periodico.

12.5. SISTEMAS DINAMICOS
LINEALES
311
637. Ejercicio Estudie la conducta del sistema dinamico cuya condici

on inicial y
operador de evoluci
on son:

1 2
20
a)
3 2
10

3 2
10
b)
4 3
20

2 3
20
c)
1 4
20
La teora de sistemas dinamicos discretos se ha beneficiado mucho de la pregunta siguiente: las matrices nilpotentes parecen ser un obstaculo a la diagonalizacion,
que pasa si a una matriz no diagonalizable le quitamos su parte nilpotente, si la
tiene? Esa pregunta fue respondida por el el siguiente teorema.
638. Teorema de descomposici
on de Jordan-Chevalley. Excepto por un
cambio de base, toda matriz invertible puede descomponerse como la suma de una matriz
diagonal mas una matriz nilpotente. Es decir, si A es una matriz invertible, entonces
puede descomponerse como A = M (D + N )M 1 donde M es una matriz de cambio de
base, D es una matriz diagonal y N es una matriz nilpotente cuyas u
nicas entradas no
nulas est
an encima de la diagonal y son unos.
Demostraci
on: investigacion (Lang, 2002).

1 1
639. Ejemplo y ejercicio Sea A =
. Si A es la matriz de transicion de
0 1
un sistema dinamico que toma los estados del presente y los lleva a la siguiente unidad
de tiempo, lo que nos interesa es poder calcular los estados en cualquier momento
futuro. Para ello hay que hallar las potencias de A. Por ejemplo, hallemos A2000 .
Solucion: La matriz A es invertible pero no es diagonalizable (ejercicio), pero puede
descomponerse como la suma de una matriz diagonal mas una nilpotente que tiene unos
encima de
la diagonal:

1 1
1 0
0 1
A=
=
+
.
0 1
0 1
0 0

0 1
, cuyo cuadrado da la matriz de ceros:
Vemos que A = I + N donde N =
0 0
N 2 = 0. Ahora recordamos el desarrollo del binomio:
n(n 1) n2 2
a b + ... + bn
(a + b)n = an + nan1 b +
2
y lo aplicamnos sobre la descomposicion de A:
A2000 = (I + N )2000 = I2000 + 2000I1999 N 1 +
n(n1) 1998 2
I N
2
+ ... + N 2000
Como la matriz N es tal que su cuadrado y todas las potencias superiores son cero,
nos quedamos con:
312
A2000 = (I + N )2000 = I + 2000N

Reemplazando obtenemos:
2000
1 0
0 1
+ 2000
0 1
0 0
1 2000
0
1
640. Fuerte advertencia. Nosotros utilizamos el desarrollo del binomio que todos
conocemos que es valido para n
umeros. Podemos aplicarlo a matrices? Podemos, pero
con una condici
on: que las matrices conmuten, es decir, que para matrices A y B, se
cumpla que AB = BA. Para matrices no conmutativas hay que tener mas cuidado.
Por ejemplo: (A + B)2 = A2 + AB + BA + B 2 que es igual a A2 + 2AB + B 2 solamente
cuando AB = BA.
Una de las implicaciones de la no conmutatividad est
a en teora de partculas elementales: si la interaccion entre partculas se representa por matrices conmutativas,
los mediadores de la interaccion no tienen masa, como sucede con la interaccion electromagnetica entre electrones, la cual es mediada por el foton que no tiene masa y por
consiguiente viaja a la velocidad de la luz. Pero no es as con la iteraccion fuerte entre
neutrones, los cuales tienen como mediadores a los mesones que tienen masa y que
viajan a velocidades menores que las de la luz y cuyo rango de interaccion es s
olo a
muy cortas distancias (Nash y Sen, 1983).
1 1 0
641. Ejercicio Halle A2000 si A = 0 1 1 . Ayuda: descomponga a A como
0 0 1
una diagonal D mas una nilpotente N y calcule N 3 . Luego aplique a (D + N )2000 el
desarrollo del binomio.
12.6.
1. Grafique la conica 8x2 4xy + 5y 2 2x + y = 1.

2. Efect
ue una rotacion de ejes para identificar la conica: 5x2 + 4xy + 2y 2 + 24 = 0.
Determine la matriz Q ortogonal que diagonaliza la matriz A asociada a la forma
cuadratica y escriba la ecuacion de la conica en el nuevo sistema de ejes. Trace
su grafica.
12.7.
Resumen
Las aplicaciones del algebra lineal no tienen lmite ni en cuanto a cantidad ni en

cuanto a variabilidad. Hemos pasado revista a algunas aplicaciones mas bien faciles de
captar y que al mismo tiempo arrojan cierta luz sobre problemas muy complicados.
12.8.
313
Gran taller de repaso
1. Conteste falso (F) o verdadero (V) seg

un sea el caso. Si la proposicion es verdadera
de una argumentacion matematica. Si es falsa, proporcione un ejemplo:
a) Cualesquiera dos vectores en R2 generan todo R2 .
b) El producto punto de un vector consigo mismo da la magnitud del vector.
c) Si ~v y w
~ son vectores en Rn de la misma magnitud, entonces la magnitud
del vector ~v w
~ es cero.
d ) Si las matrices A y B son invertibles, entonces A + B es invertible.
e) Existen exactamente dos vectores perpendiculares a cualquier vector no nulo

en Rn .
f ) Si la imagen bajo una transformacion lineal T de un n-plp B en Rn tiene
12
.
volumen 12, la n-plp B tiene volumen |A|
g) Toda matriz invertible es diagonalizable.
h) Si |A| = 2 y |B| = 3, entonces |A + B| = 5.
i ) Los vectores propios de una matriz A son los mismos que los de la matriz
AT .
j ) El conjunto
de puntos
(x, y) en el plano para los cuales la matriz
x y 1
A = 1 2 1 es singular (que esta sola, que no tiene inversa) des3 3 1
criben una recta con pendiente m = 12 .
k ) Si la proyeccion del vector ~b sobre el subespacio W es ~b mismo, entonces ~b
es ortogonal a todo vector en W .
l ) Todo subespacio no trivial de Rn posee una base ortonormal.
m) Toda matriz ortogonal tiene espacio nulo {0}.
n) Si B y B son bases ortonormales, entonces la matriz de cambio de base IBB

es una matriz ortogonal.
n
) La proyeccion de un vector ~b sobre el gen({~a}) es un m
ultiplo escalar de ~b.
o) Si los vectores ~b y ~c tienen la misma proyeccion sobre un subespacio W ,

entonces ~b = ~c.
p) Toda matriz ortogonal tiene espacio nulo {0}.
q) Si A es simetrica y ortogonal, entonces A2 = I.
r ) Para toda escogencia de las bases B y B se tiene que (DetIBB ) = 1.
x
2. Sea H = y : x = t, y = t, z = 2t; t R :
z
a) Halle H el complemento ortogonal de H en R3 .
314
b) Encuentre una base ortonormal B de R3 .

1
1
3
~
~
2 R3 , halle
1
R , y sea ~a =
c) Sea H =gen(b), donde b =
3
1
ProyH ~a.
d ) Con referencia al inciso anterior, escriba el vector ~a como aH + aH .
3. Encuentre la transformacion lineal T : R3 R3 que refleja un vector ~v R3 sobre
el plano x y + z = 0.
2/7
3/ 3 .
4. Escriba la tercera columna de la matriz 3/7 2/ 13 . para que sea una
6/7
0 .
matriz ortogonal.
5. Encontrar una matriz C invertible talque
0
ortogonal de la matriz simetrica A = 1
1
D
1
2
1
=
C 1 AC es una diagonalizacion
1
1 .
0
6. Mostrar que toda matriz simetrica cuyos valores propios son 0 y 1 u

nicamente,
es la matriz de una proyecci
on. Es decir, hay que mostrar que existe una base
B = {b1 , b2 } tal que la imagen de uno de ellos es ~0 y la del otro es el mismo.
7. Use el metodo de los mnimos cuadrados para encontrar la lnea recta que mejor
aproxima los datos: (1, 1), (10, 8), (14, 12), (16, 20).
8. Encontrar la matriz de cambio de coordenadas de la base B a la base B , donde
V = P3 , B = {x3 + x2 + 1, 2x3 x2 + x + 1, x3 x + 1, x2 + x + 1} y
B = {x3 , x2 , x, }.
9. Sea T : W W donde W =gen({ex , xex }) y T es la transformacion derivada,
B = {ex , xex } y B = {2xex , 3ex }. Encontrar las matrices de representacion RB ,
RB y la matriz C tal que RB = C 1 RB C.
CAPITULO
13
RESPUESTAS
Captulo 1
14. x = 1, y = 1
17. a) x = 1, y = 1
b) x = 54/11, y = 19/11
c) x = 3, y = 2
18. 1.000 y 1.000.
23. a)
!
..
3 4 . 5
.
0 0 .. 0
..
1 0 . 5
0 1 ... 0
..
0 0 . 1
Captulo 2
57. b) ~u + ~v = (9, 3)
d) 4~u + 2~v = (4, 16)
2~u + 3w
~ = (2, 0)
3w
~ + 5~v = (29, 27)
~v = (7, 3),
w
~ = (2, 6), w
~ = (2, 4)
60. a) (-6,30)
b) (10, 24)
c) (41, 3)
72 d. Cinco barcos pueden usarse como sigue: pongalos en las esquinas de un
pentagono regular, que debe ser lo suficientemente grande como para que los barcos
puedan ocultarse unos de otros debido a
la curvatura de la Tierra. De esa forma, la

curvatura de la Tierra puede medirse en
cada punto y uno tambien podra saber si
la Tierra es como una esfera o como un
cilindro.
81. Nuestra prueba es valida para n
umeros
naturales solamente. Es necesario extenderla a racionales y despues a reales.
90. La norma cuadrado es
2
2
2
k(a,
b, c)k
b2 + c
= a +
92. 5, 13, 5, 34, 14, 14, 50

97. Los puntos sobre una esfera tienen
una distancia igual al centro, y es igual al
radio de la esfera. Por lo tanto, la ecuacion
de la esfera con centro en (a, b, c) y radio
r es
(x a)2 + (x b)2 + (x c)2 = r2 .
104. (u1 , u2 , u, ..., un ) (v1 , v2 , u, ..., vn )
= (u1 v1 + u2 v2 + un vn )
106. a) 0, b) 0, c) 30 d) 1, e) 0
114. a) 180 =
, b) 90 = /2,
c) Arccos(30/ 1000),
d) Arccos(1/3)
e) 90 = /2
116. (3 26(5, 1)
121. Son paralelas.
141. a) y = (4/3)(x 2) + 3
b) y = 9(x 2) 4
c) y = (2/3)(x + 2) + 3
d) x = 1
e) y = 2
142. a) y = 2(x 2) + 3
b) y = 5(x 2) 4
c) y = 5(x + 2) + 3
315
316
d) y = 6(x 1) 3
e) y = 2
143. a) y = 2x + 1
b) y = 3x 1
c) x = 0
d) y = x 3
e) y = 8
144. a) y = (11/2)x 8
b) y = x 3
c) y = 2x + 4
d) y = 3
e) y = (1/4)x 2
155. a) y = 3x/2 + 5/2
b) y = 3x/2 + 31/2
c) y = 3x/2 + 5/2
d) y = 3x/2 + 12
e) y = 3x/2 + 15/2
163. a)
(1.6, 0.8)
167.a) 2
b) 10/5
c) Dos puntos sobre una lnea: (0, 3)
y (1, 0). Por lo tanto, el vector director
es (1, 3). El segmento de
(2, 3) a (0, 3) es
(2, 6) cuya norma es 40. Proyectamos
el vector (2, 6) sobre (1, 3) para
pobtener
(8/5, 24/5), cuya norma es 640/25.
Formamos un triangulo rectangulo y aplicamos Pitagoras para encontrar la distancia 3.79.
181. a + b se cruzan en (2, 1/3).
c + e : son paralelas.
a + d : las dos lneas son la misma: un
grado de libertad.
b + d se cruzan en (8, 5/3).
183. Racion diaria: 100/11.2 de papas
y 100/43.8 de pollo.
187. (1, 0, 0), (0, 1, 0), (1, 0, 0), (1, 0, 0),
(0, 1, 0), (0, 0, 1).
191. a) x + 1) + 5(z + 3) = 0
b) 3x + 2(y + 2) + 7(z + 3) = 0
c) 6(x + 1) + 3(y + 4) + 8(z + 3) = 0
193. a) 3(x + 1) = 0
b) 2x + 16(y 1) 16(z 3) = 0
c) 4(x 1) 4(z 1) = 0
d) Los puntos pertenecen al eje X: hay
demasiados planos y un grado de libertad.
CAPITULO 13. RESPUESTAS

199. El cuento es verdico: las vigas de
la primera casa miden la raz cuadrada de
2, 5, 8, 5. El techo es un plano: 4x 4y +
6z = 10. Las columnas de la casa segunda
no generan un plano, el cual se determina
con 3 puntos no
colineales y no cuatro.
202. a) 36/ 21.
204 a) Encuentre la distancia entre x
2y + 4z = 6 y x 2y + 4z = 18
207. a) (1 t, 1 t, 4 4t) o (t, t, 4t)
b) (1 + t, 2 2t, 2 2t) o (t, 2t, 2t)
c) (2 2t, 3 3t, 1 + t) o (2t, 3t, t)
212. a) Director (1, 1, 1).
Parametricas: x = 1 + t, y = 2 + t,
z =3+t
Simetricas: x 1 = y 2 = z 3
b) Director (3, 3, 3).
Parametricas: x = 1 + 3t, y = 3t,
z = 2 3t
Simetricas (x + 1)/3 = y/3 = (2
z)/3
215. e) El segmento de (1,
4, 0) a (2, 7, 2)
es (1, 3, 2), cuya norma es 57. La proyeccion de (2, 7, 2)sobre (2, 3, 5) es (27/57)(2, 3, 5),
cuya norma es 27/ 57. El teorema de Pitagoras
da la distancia del punto (1, 3, 2) a la
lnea y es 6.65.
218. d) P = (0, 0, 2) esta en el primer
plano, Q = (0, 0, 1/2) en el segundo. El
segmento P Q = (0, 0, 5/2) se proyecta
sobre el vector normal (2, 4, 2). La norma del vector
resultante es la distancia, la
cual es 5/
24.
221. a) 14/14.
223. (6n, 2n, n).
224. (4n + 100, 2n + 50, n + 40)
225. (6, 2, 1), (1/20)(6, 2, 1)
~ =
228. a) D = k(3, 3, 3), k = 1/7; X
~
(1, 2, 3) + (1/7)(3, 3, 3); X(14)
= (7, 8, 9).
230. a) Inconsistente: los tres planos
tienen interseccion vaca.
b) La interseccion de los 3 planos es un
u
nico punto: (0, 9, 7/5)
c) La interseccion de los 3 planos es una
lnea, como en las hojas de un libro. El
317
vector director de la lnea es (11,-7/10,1)
y ella pasa por (1,-17/10,0).
231. b) Tenemos 2 lneas paralelas en
R2 , y dos planos paralelos en R3 . Las dos
lneas (y los dos planos) casi coinciden.
Pero su interseccion es vaca. Pero en un
mundo donde predomine la incertidumbre,
ellos pareceran iguales.
232. Tenemos u incognitas restringidas
por i ecuaciones: nos quedamos con u i
grados de libertad: u = i + f.
233. Tenemos 4 puntos, podemos tomar
un polinomio de tercer grado, con 4 coeficientes a determinar. De esa forma obtenemos un sistema 4 4. El polinomio es:
2075 155,5x + 4,25x2 + 0,11x3 .
Captulo 3
240. a) 1, b)-1, c)-1, d) 1
279. f) Los vectores son coplanares.
274. LI: a, c, g, i, j. Los vectores representan especies diferentes.
287. Sub-EV : b, c.
305. 4; n + 1
320. a) Tres planos que se intersecan en
un u
nico punto: (5/6, 1/3, 1/6).
b) Un punto, (46/10, 12/5, 1)
c) Tres planos que son como las hojas
de un libro. Un grado de libertad.
d) Todas las expresiones representan el
mismo plano: hay dos grados de libertad.
351. Un sistema generado por una T L

inyectiva puede carecer de soluciones, pero
cuando la tiene, es u
nica. Si una T L es sobre, el sistema tiene solucion, pero la unicidad no se garantiza. Una T L siempre enva
el cero sobre cero, por lo que cero tiene una
preimagen no nula, la T L es automaticamente no 1-1.
355.

16 1
ST =
17 55
Ni la multiplicacion de matrices, ni la
composicion de T L son conmutativas, esto
implica que el orden es importante.
357. Una entrada (i, j) del producto matricial AB es simplemente el producto punto entre la fila i de A y la columna j de B.
360. a)

4 4
AB =
1 32
b)
BA =
22
11
16 14
c)
CA =
29 13
11 0
CB =
8 28
1
8
ABC =
18
25
100 27
d)
Captulo 5
e)
331. a)
[T ] =
8 1
2
3
T (x, y) = (8x y, 2x + 3y)

T : R2 R2
332. a) T (x, y) = (3x 2y, x + 3y, 4y)
342.

2 1
T =
2 3
Captulo 6
379. a) Solucion u
nica, x = 17/2
b) y = x = 0.
c) Sistema inconsistente.
d) la solucion es la lnea 2x + 3y = 0
318
388. El Kernel esta generado por
(1, 1/3), mientras que la imagen esta generada por (1, 2). No son perpendiculares
mutuamente, pero para matrices simetricas eso siempre funciona. La imagen es generada por (1, 2). La imagen es igual al Kernel. Entonces M 2 = 0.
b) DetM = 0, La imagen es generada
por (1, 4), el Kernel por (1, 1).
c) DetM = 0, la imagen es generada
por {(1, 2, 1), (4, 1, 3)}, el Kernel por
(18/7, 1/7, 1).
d) detM = 0, la imagen es generada
por
(1, 2, 3),
el
Kernel
por
{(5/2, 0, 1), (2, 1, 0)}.
1 1 0
0
1 0
0
0 1
408. a)

7 4
2 1
b)

1
4
4 1
1
4
4 1
(1/30)
c)
(1/3)
cos
sen
sen
cos
409. Las descomposiciones no son u

nicas:
para a) presentamos dos. La matriz inversa
aparece abajo a la derecha:
...
0
...
1
...
0 1
d)
2
1
...
..
..
..
. 7
4
..
. 2
1
...
..
..
..
. 7
4
..
.
2 1
..
.
..
.
1
0
2 1
..
..
... ... ...
.
1 4 .. 7
4
..
0
1 .
2 1
..
.
..
.
cos
sen
0
1
...
... ...
..
..
1
0 ..
cos
sen
..
sen
1 . sen cos cos2
...
... ...
..
..
1
0 ..
cos
sen
..
0 1/ cos .
sen
cos
416. a) detM = 0
b)
3
6 0
1/3 2 2 1
6 3 0
c)
5
0 0
1/5 9 1 2
27 1 3
d)

...
Captulo 7
400. Ejecute la operacion sobre la identidad. El resultado, en el caso 3 3, es:
..
.
..
.
d)
2 1 0
1 3 1 0
1 3 1
319
447. a)
Captulo 8

434. a)

1
2
1 1

16
;
5
1 3
1 4

23
;
26
2 1
2 5

3
;
39
5/3
8
3
0 2
0
1/3 5/3 5/3
b)

4/7
3/7
1/7 1/7

13/7
;
9/7
5/12 1/12
1/6 1/6

;
c)
1 7/18
0
5/9

589/60
11/3
;
;
35/6
7/3
436. a) (82/3, 23/3)

b) (37/5, 23/5)
c) (14/5, 23/5)
439. a)

11/3
1/3
2/3
;
5/3
1/3 1/3
441. a)
1/2 25/12
0
7/6
448.
c)
1/4
3/2

52/7
3
;
;
1/7
0
b)
b)

1/7 11/7
2/7 1/7
452. a) B1 = B2 IBB21
b) B2 = B1 IBB12
455. Una rotacion no cambia vol
umenes:
su determinante es 1.
496. a) El Kernel es la lnea y = x/2
y la imagen es la lnea ortogonal y = 2x.
500. a) verdadero: toda rotacion conserva el producto punto, pues conserva normas y angulos.
b) La siguiente matriz no es una rotacion,
es una reflexion pero tambien conserva el
producto punto:

1
0
0 1
504. La matriz asociada a la hiperbola
x y 2 = 1 es

1
0
= MNN
M=
0 1
2
MBB = IBN MNN IBN = BM B T donde B

es una base ortonormal
b)

3/2 1
2/2 2/2
B=
5/2
0
2/2
2/2
.
442. a) {(5, 2), (1, 3)}
Po tanto,
b) {(1, 1), (2, 5)}
B1
B

446. IB2 = IBN2 IN 1 = (B2 )1 B1 . Por lo
0 1/2
B
B1
MB =
tanto, para encontrar IB2 uno empieza au1/2
0
mentando B2 del lado derecho con B1 . La
reduccion produce la matriz solicitada.
cuya respectiva ecuacion es xy = 1.
320
541. a) R es una reflexion y una base

natural para R podra ser B = {(1, 1), (1, 1)}
y la matriz de R es:

1 0
B
RB =
0 1
Captulo 9
507. a)
TNN
1 3/7
17/7 9/7
b)
TNN =
1 1/5
0 3/5
R=
c)
TNN
7/38
41/38
29/19 26/19
512. a)
TNB
6 10
5
1
3 0
0 4
519.
Captulo 10
N
N
526. c) RB
= (I)N
B (R)N significa que
si uno sabe la matriz de una T L dada con
respecto a la base natural en ambos lados,
entonces para obtener la matriz de la T L
con respecto a la base natural en el dominio y a B en el codominio, uno necesita
un traductor a la izquierda que cambie de
coordenadas de N a B.
528. a) T (x, y) = (5x/7 + y/7, x/7 +
10y/7)
b) T (x, y) = (y, 16x/7 5y/7)
c) T (x, y) = (5x/4+3y/4, x/4+11y/4)
530. a)

3 5
N
TN =
4
4
Su determinante es 32 y permanece invariante si cambiamos a la base B:

3 4
B
TB =
5
4
N
RN
B N
INB RB
IB
0 1
1
0
tenemos R(x, y) = (y, x). R es su propia

inversa: R1 (x, y) = (y, x). Sea P la parabola original y = x2 y sea Q la parabola reflejada. Un punto (x, y) estara en Q
ssi R1 (x, y) P ssi (y, x)satisface
y = x2 , i.e. x = (y)2 o y = x para
x 0.
547. ~r(t) = (0, cos t, sen t)
548. ~r(t) = (3 cos t, 5 sen t, 0)
550. El vector normal al plano es (1, 1, 1),
el vector de traslacion. La trayectoria resultante es (r(t))N + (1, 1, 1)
551. La matriz de rotacion de R fue
encontrada en el ejemplo 544 y ejercicio
545. La matriz asociada al elipsoide E es
1/4
0
0
0
E = 0 1/9
0
0 1/16
sea F el elipsoide rotado. Un punto (x, y, z)

estara en F ssi R1 (x, y, z) satisface la ecuacion
E.
Captulo 11
556. Usemos la notacion h, i para el producto punto: hOT DOx, yi=hDOx, Oyi =
hOx, DOyi =hx, OT DOyi.
557. a)
1
0
0
0 4/3 2/3
0 1/3 5/3
b)
0
1 1
2/3 2/3 4/3
1/3 2/3 4/3
321
c)
1
0
0
0
1/3 4/3
0 2/3 1/3
1 1
2
B = 0 1 3
1 0
1
Las formas diagonales son:

a) D(9, 6, 3)
3/2 5/2 5/2

b) D(9, 6, 3)
5/3
2 1
c) D(9, 6, 3)
5/6 1/2 5/2
d) D(3, 2, 1)
e) D(1, 2, 1)
e)
596. Sea
P M (ei ) = i ei y N (ei ) = i ei y
que x = i eP
i . Entonces
P
3
1
1
M N (x) =
i i i ei =
i i i ei =
2/3 5/3
8/3
N M (x).
1/3
4/3 1/3
602. a) Formadiagonal
D(2, 3 2). base
propia: {(2,1 2),
(1 2, 2)}
558. D(a, b, ..., c)D(e, f, ..., g) =
b) D( 26, 3 26
D(ae, bf, ..., cg) =
c) D(5, 7). Base propia: {(1, 1), (1, 1)}
D(e, f, ..., g)D(a, b, ..., c)
d) D(5, 0). Base propia: {(1/2, 1), (2, 1)}
570. a) No invertible, dim Ker= 1, dim
e) D(2, 0), Base propia {(1, 1), (1, 1)}
Imagen= 1
606. Las matrices diagonales y las conicas
573. Eigen pares: (0, (1, 1/3)), (10, (1/3, 1))
est
a
n dadas por:
575. En R3 todas las rotaciones tienen
a)D(2, 3), una elipse
un eje de rotacion, por lo que en esa dib)D(1, 3), una hiperbole
reccion no hay transformacion y el valor
c)(1, 1), una hiperbole
propio correspondiente es 1.
d) (1, 5), (elipse).
585. a)
e) (1, 3), (elipse).

f) Los productos son conmutativos.
1/2
3/2
N
DN
=
614. a) Si x2 + y 2 z 2 = 0 entonces
3/2 1/2
x2 + y 2 = z 2 . Esto significa que tenemos
586. El u
nico valor propio de todas las un crculo cuyo radio aumenta con z. La
matrices es 1, pero no hay suficientes vec- figura es simetrica con respecto al eje Z.
tores propios para formar una base.
Para ver la silueta, tomamos la traza de la
587. Una matriz siempre tiene suficientes figura con el plano XZ, i.e. cuando y = 0.
valores propios, pero le pueden faltar vec- Obtenemos x2 = z 2 o x = y. Lo mismo
tores propios, y por eso muchas matrices pasa con x = 0. Por tanto, tenemos un
no son diagonalizables.
cono.
594. a) 1, 1, 3.
b) Cono.
b) 1, 2,
3.
c) Hiperboloide de dos mantos.
c) 1, 2, 2.
d) Hiperboloide de un manto.
d)2, 1/4, 1/3
e) Hiperboloide de dos mantos.
e) 2, 1/4, 1/3
Captulo 12
595.
617. La base ortonormal propia es la
Todas las matrices tienen la misma base
misma para todos los casos:
propia:
d)
322

1/ 2 1/3
1/6
B = 0 1/3 2/6
1/ 2
1/ 3 1/ 6
Las formas diagonales y las figuras son:

a) D(1, 2, 1), elipsoide.
b) D(1, 2, 1), hiperboloide de una hoja.
ja.
c) D(1, 1, 1), hiperboloide de una ho-
jas.
d) D(2, 1, 4), hiperboloide de dos ho-
jas.
e) D(1, 1, 1), hiperboloide de dos ho-
618. a) x2 + y 2 /4 + z 2 /9 = 1
b) x2 + y 2 /4 + z 2 /9 = 1
c) x2 4y 2 + 9z 2 = 1
d) Mal definido.
e) x2 4y 2 z 2 /9 = 1
619. a)
(
x 1)2 + 3(x 1)(z 3) (z 3)2 = 1
621. a) x = x 1 y z = z + 2
624. a) Maximo
b) Maximo
c) Mnimo
d) Silla
e) Silla
f) Silla
g) Maximo
h) No se sabe
i) No se sabe
627. a) z = 2,18u2 + 1,82v 2 , silla

b) 0,23u2 + 0,131v 2 , silla
c) z = 0,201u2 + 3,312v 2 , silla
d) z = 4,01u2 + 0,074v 2 , mnimo
e) z = 1,174u2 + 7,67v 2 , silla
f) z = 3,93u2 + 4,07v 2 , mnimo
g) z = 3,08u2 0,027v 2 , maximo
h) Desconocida
i) Desconocida
628. Tenemos un punto crtico estable
ssi todos los valores propios tienen igual
signo. En dos dimensiones, esto es equivalente a decir que el determinante de la matriz diagonal sea positivo. Puesto que el determinante es invariante al cambio de base,
el determinante de una matriz diagonal es
igual al de otra que le sea similar. Por lo
tanto, la estabilidad se decide por el determinante de la matriz original.
637. a) Eigen pares (4, (1, 1,5)), y (1, (1, 1)).
El primer valor propio domina toda la conducta a largo plazo y define una proporcion
de 2 a 3.
b) Eigen pares:
(5,82, (1, 1,41)), y (0,171, (0,7, 1)).
c) Proporciones asintoticas 1 a 1.
BIBLIOGRAFIA
[1] Altshuller G (2000) The innovation algorithm: TRIZ, systematic innovation and
technical creativity. Translated, edited and annotated by Lev Shulyak and Steven
Rodman. Technical Innovation Center, Inc., Worcester, MA.
[2] Boylestad R, L Nashelsky (1994) Electr
onica de circuitos. Prentice Hall, Mexico.
[3] Beauchamp J W (Editor) (2007) Analysis, synthesis, and perception of musical
sounds. Springer, NY.
[4] Burden R, Faires D (1985) An
alisis numerico. Grupo Editorial Iberoamerica.
Mexico.
[5] Feynman R (1998) Seis piezas faciles: la fsica explicada por un genio. Introduccion de Paul Davies. Traduccion castellana de Javier Garca Sanz. Barcelona.
[6] Fisher R (1970) An introduction to linear algebra. Dickenson Publishing.
[7] Jobson J D (1991) Applied Multivariate Data Analysis. Springer, NY.
[8] Lang S (2002) Algebra. Springer-Verlag, NY.
[9] Gran Enciclopedia Larousse (1983), Editorial Planeta, Barcelona.
[10] Hans F, Martin A (1984) Quarks and leptons: an introductory course in modern
particle physics. John Wiley and Sons. NY.
[11] Mechanics. Berkeley Physics Course-Vol 1. McGraw-Hill Book Company, NY.
[12] Nash C, S Sen (1983) Topology and the geometry of physics. AP.
[13] J Hanan (1989) Lindenmayer systems, fractals, and plants. Springer en NY en
1989.
[14] Primas Hans (1983) Chemistry, quantum mechanics and reductionism. Springer.
Berlin.
323
324
BIBLIOGRAFIA
[15] Rodrguez
Jose
(2008)
Electromagnetismo
y
geometra.
http://arxiv.org/abs/0806.1492 Citado el 20 de noviembre del 2009.
[16] Snakefly (2009) How to date a fossil. http://snakefly.tripod.com/Date.html Citado el 20 de noviembre del 2009.
[17] Steward J (2003) Calculus and early transcendentals, 5e. Thomson.
[18] Wikipedia (2009) Talidomida, http://es.wikipedia.org/wiki/Talidomida Citado
el 20 de noviembre del 2009.
[19] Yosida K (1978) Functional analysis. Springer-Verlag. Berlin.
[20] Zill Dennis G (2007) Ecuaciones diferenciales con aplicaciones de modelado. Traduccion Francisco Sanchez Fragoso, 8a ed. International Thomson Editores, Mexico.
[21] Zill Dennis G, M Cullen (2008) Matematicas avanzadas para ingeniera. Traduccion Emilio Sordo Zabay, 3a ed. McGrawHill. Mexico.
[22] Zwiebach B (2004) A first course in string theory. Cambridge University Press.
INDICE ALFABETICO
algoritmo
de Gauss-Jordan, 17, 31
apachurra, 174
apachurrado, 110
apachurramiento, 174
autovalores, 287
complemento ortogonal, 138

componente del vector ~u sobre ~v , 69
composicion de TL, 150
conjunto
linealmente independiente, 121
conjunto generado por D, 127
conjunto linealmente dependiente, 120
conjunto solucion, 6
conservativo
procedimiento, 7
coordenadas, 132, 135, 209
coordenadas polares, 215
coordenas
cambio de, 209
coseno, 52
cuadrica, 298
balance
regla del, 7
base, 128
cambio de, 209
canonica, 129
natural, 129, 207
ortogonal , 218
ortonormal , 218
propia, eigen, 275
base propia, 274
Delta de Kronecker, 227

demostracion por induccion, 222
determinante, 105, 109, 112, 169
diagonal, 16, 267
diagrama
conmutativo, 275
diagrama de dispersion, 290
dimension, 33, 133
distancia, 50
dominio, 144
cabeza, 34
circunferencia, 50
codominio, 144
cofactor, 195
cola, 34
combinacion
lineal, 120
ecuacion, 5
ecuaciones
parametricas, 84
simetricas, 84
ejes principales, 302
Teorema de los , 283
Elcano, 42
angulo recto, 47
`angulo recto, 67
eigen-espacio, 271
eigen-problema, 272
eigen-valor, 270
eigen-vector, 270
protenas , 74
vector
de momento angular, 98
325
326
elemento neutro, 36
elipse, 50
equivalentes
sistemas, 6
escalar, 34
espacio
digital, 44, 45, 52
tridimensional, 32
vectorial, 39
espacio columna, 185
espacio digital, 45, 57
espacio imagen, 179
espacio nulo, 179
estaciones, 98
fila, 22
fractales, 185
gl
ucidos, 74
grupo, 36
hiperplano, 113
identidad, 5
iluminacion, 41
imagen de una matriz, 180
inverso, 36
isomorfos, 45, 52
Kernel, 179
lnea, 60, 63, 65, 82, 83
dualidad, 89
lneas
paralelas, 66
perpendiculares, 67
lineales
sistemas, 14
Magallanes, 42
magnificacion, 271
marco, 207
matrices, 15
similares, 271
Matriz
de cambio de coordenadas, 209
matriz
antisimetrica, 223
INDICE ALFABETICO
de cambio de base , 209

de cambio de coordenadas, 209
de paso, 209
diagonal, 267, 268, 271
escalonada, 23
escalonada reducida, 24
identidad, 16
inversa, 190
ortogonal, 227
simetrica, 223, 281
matriz transpuesta, 165
medio Sol, 47
modelo, 33
lineal, 33
matematico, 33
multiplicacion de matrices, 153
multiplicidad
algebraica, 310
geometrica , 310
multiplicidad algebraica, 277
n-plp, 107
n
ucleo, 179
n
umeros
complejos, 216
nilpotente, 309
norma, 49, 51
nulidad, 179
operacion
asociativa, 35
binaria, 35
cerrada, 35
operaciones elementales, 22
operador lineal, 248
operadores
lineales, 267
orientacion, 116
ortogonales, 138
vectores, 55
pajaros, 12
par propio, 270
parametro, 84
paraleleppedo, 35
apachurrado, 125
paraleleppedo, plp, 106
INDICE ALFABETICO
paralelogramo, 35
patron, 289
pendiente, 61
plano, 77, 134
cartesiano, 32
plano complejo, 216
polinomio
caracterstico, 277
polinomio caracterstico, 277
precesion, 303
producto
cruz, 113
punto, 52
producto cruz, 80
producto de matrices, 251
producto interno o interior, 56
producto interno, interior, escalar o punto,
51
producto vectorial, 80
proyeccion, 68
pulso, 44
punto critco
inestable, 307
punto crtico, 304
estable, 307
rango, 178, 179
rectangulo, 35
recta, 71
ecuacion estandar, 62
ecuaciones parametricas, 83
recta real, 31
regla de oro, 12
regresion, 289
renglon, 22
Resolver un sistema de ecuaciones, 6
resonancia, 278
reverso, 38, 41
segmento, 34
dirigido, 34
seno, 52
sistema
dinamico discreto, 310
homogeneo, 162, 180
inconsistente, 7
lineal, 308
327
no homogeneo, 162, 180
sistema de ecuaciones, 5
sistema lineal, 6
solucion, 5, 6
general, 180
particular, 75, 180
solucion espuria, 8
solucion particular, 162
solucion qumica, 21
ssi (si y solo si), 82
subespacio, 126
submatrices, 194
sumar sin problema, 36
sumar y alargar sin problema, 39
T es apachurrante o que apachurra, 171
tension arterial, 41
tensor de inercia, 302
teora
de cuerdas, 33
Teorema
de las dimensiones, 179
teorema
cosenos, 53
del apachurramiento, 176
Pitagoras, 48
Tierra plana, 41
tracto intestinal, 33
transformacion lineal, 146
transpuesta, 194
traslacion, 72
traslaciones, 299
triangulos
semejantes, 58
TRIZ, 87, 152
vector director, 65
vectores, 33
paralelos, 56
perpendiculares, 55

Calculo 4 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Calculo 4 PDF

Cargado por

Copyright:

Formatos disponibles

ALGEBRA

Texto procesado en LATEX y 90 graficas en PsTricks.

2. LINEAS, PLANOS, Rn Y EV=ESPACIOS VECTORIALES

10.LA MATRIZ DE LA COMPUESTA

Tambien podemos escribir todas las ecuaciones de un sistema en un mismo rengl

Es posible que un sistema no tenga soluciones, o que exista una u

no es lineal porque la primera ecuacion contiene una variable al cuadrado y ademas

Decir que el sistema

b) Elevar al cuadrado cada lado de una ecuaci

Para despejar la x, quitamos la b sumando a ambos lados b y despues quitamos

1.1. ALGORITMO SOLUCIONADOR

tiene varias soluciones. Una es x = 0, y = 1, z = 1. Otra solucion es x = 7, y = 2,

La palabra algoritmo es de origen arabe y honra al matematico arabe de principios

Estas dos ecuaciones pueden multiplicarse separadamente por n

1.2. SOBRE LAS APLICACIONES

Sobre las aplicaciones

Al plantear las ecuaciones de un

1.2. SOBRE LAS APLICACIONES

Las dos ecuaciones siguientes definen el sistema:

Ecuaciones en forma matricial

El metodo que hemos aplicado en la seccion anterior para resolver un sistema de

1.3. ECUACIONES EN FORMA MATRICIAL

Observese que las operaciones se indican, por fuera de la matriz, exactamente en

Hemos despejado y = 1. Para despejar la x procedemos, primero a igualar los

1.3. ECUACIONES EN FORMA MATRICIAL

Tomemos un sistema representado por

Consideremos el procedimiento de poner en el segundo rengl

23. Advertencia y ejercicios. Se puede llegar a la matriz identidad cuando existe

a) Consideremos el sistema de ecuaciones compuesto por una sola ecuacion

Ejemplo: Resolvamos el sistema siguiente

Ahora ponemos ceros por fuera de la diagonal de la columna 2: ya esta hecho.

1.3. ECUACIONES EN FORMA MATRICIAL

Pongamos ceros por fuera de la diagonal de la columna 3

Hemos recuperado la matriz identidad, la solucion es x = y = z = 1. De antemano

que nos dice que x = 1, z = 3, y = 2.

29. Ejercicio Dise

Sistemas de m ecuaciones con n inc

Inventado propuesto por Jorge Palacio

Los siguientes dos sistemas son equivalentes:

Al decir que la anterior matriz no es escalonada, lo que estamos mencionado es

a11 x1 + a12 x2 + ... + a1n xn = b1

a21 x1 + a22 x2 + ... + a2n xn = b2

am1 x1 + am2 x2 + ... + amn xn = bm

Observese que no es necesario que el sistema tenga el mismo n

21 a22 ... a2n .. b2

2) Escalonar por renglones la matriz aumentada.

Resolvamos por Gauss-Jordan el sistema

Solucion paso a paso:

b) Escalonamos. En nuestro proceso usamos el smbolo R1 R2 que significa que

3) Decidimos la existencia y unicidad de la solucion: como hay una contradiccion

Resolvamos por Gauss-Jordan el sistema

Solucion paso a paso:

3) Decidimos la existencia y unicidad: puesto que el u

5) Escribamos la solucion: la solucion es u

Resolvamos por Gauss-Jordan el sistema

3) Decidimos la existencia y unicidad: el tercer renglon, de solo ceros, nos indica

5) Escribimos la solucion. El sistema correspondiente es:

donde y R. De aqu podemos obtener soluciones particulares dando valores a la

1.5. EJERCICIOS DE REPASO

1. Escriba la solucion general del sistema lineal

2. Un cuadrado magico de tama

LINEAS, PLANOS, RN Y EV=ESPACIOS VECTORIALES

CAPITULO 2. LINEAS, PLANOS, RN Y EV=ESPACIOS VECTORIALES